論文の概要: A Lightweight Velocity Correction Framework for Improving Instruction Following in Few-Step Text-to-Image Generation
- arxiv url: http://arxiv.org/abs/2610.12899v1
- Date: Fri, 09 Oct 2026 02:43:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.359806
- Title: A Lightweight Velocity Correction Framework for Improving Instruction Following in Few-Step Text-to-Image Generation
- Title（参考訳）: 重み付きテキスト・画像生成における指示追従改善のための軽量速度補正フレームワーク
- Abstract要約: 少ないステップのテキスト・ツー・イメージ・ジェネレータは、ネットワークフォワードの少ない高品質な画像を生成する。
これらのエラーは、ジェネレータのパラメータを変更したり、フォワードパス数を増やさなくても削減できますか?
凍結した6Bパラメータ生成のための軽量な補正フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 12.851447793140416
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Few-step text-to-image generators produce high-quality images with few network forward passes, yet struggle with complex prompts involving multiple subjects, interactions, spatial relations, counting, and attribute binding. Can these errors be reduced without changing the generator's parameters or increasing its forward-pass count? We propose a lightweight correction framework for a frozen 6B-parameter generator. The generator predicts velocities that determine how its intermediate image representation is updated; a corrector with fewer than 20M parameters learns residual adjustments at selected sampling steps. Because earlier corrections change the states encountered at later steps, our On-Trajectory Flow-Bridge Supervision derives residual targets at the states actually reached during corrected generation. A single corrector is shared across selected steps and runs in parallel with the generator. Only the corrector is trained, requiring neither reward optimization nor re-distillation. To our knowledge, this is the first framework for lightweight velocity-residual adaptation of fully frozen few-step text-to-image generators that preserves their original sampling schedule and forward-pass count. On our target complex-scene distribution, the framework achieves a +17.60-percentage-point NetWin over frozen Z-Image-Turbo in pairwise instruction-following evaluation, with only 26.9 ms (0.84%) additional end-to-end latency per image and no increase in backbone evaluations.
- Abstract（参考訳）: 数ステップのテキスト・ツー・イメージ・ジェネレータは、ネットワーク転送パスの少ない高品質な画像を生成するが、複数の主題、相互作用、空間関係、カウント、属性バインディングを含む複雑なプロンプトに苦労する。
これらのエラーは、ジェネレータのパラメータを変更したり、フォワードパス数を増やさなくても削減できますか?
冷凍6Bパラメータ発電機の軽量補正フレームワークを提案する。
生成器は、中間画像表現の更新方法を決定する速度を予測し、2000万パラメータ未満の補正器は、選択されたサンプリングステップで残留調整を学習する。
初期の修正では後続のステップで遭遇した状態が変化するため、オン・トラジェクトリー・フロー・ブリッジ・スーパービジョンは、修正世代中に実際に到達した状態の残留目標を導出します。
単一の修正器は選択されたステップ間で共有され、ジェネレータと並行して実行される。
報酬の最適化も再蒸留も必要とせず、修正器のみが訓練される。
我々の知る限り、これは、最初のサンプリングスケジュールとフォワードパス数を保存する、完全に凍結された数ステップのテキスト・ツー・イメージ・ジェネレータの軽量なベロシティ・残差適応のための最初のフレームワークである。
対象とする複合シーン分布では,Z-Image-Turboを2つの命令追従評価で+17.60パーセントのNetWinを実現し,画像毎のエンドツーエンドレイテンシが26.9 ms (0.84%) に留まり,バックボーン評価が向上しなかった。
関連論文リスト
- Representation Distribution Matching for One-Step Visual Generation [107.84208192304455]
表現分布マッチング(Representation Distribution Matching, RDM)の設計空間の解明
2つの設計軸、分布がどのように比較され、それらの表現が比較されるかを特定し、それに沿って制御された研究によって3つの結果が得られた。
同じレシピは4ステップのFLUX.2[klein]を1ステップのジェネレータに後付けし、GenEvalの4ステップバージョンである0.826から0.794、PickScoreの22.76から22.58を90 H200 GPU時間で上回った。
論文 参考訳（メタデータ） (2026-07-02T16:15:38Z) - InterleaveThinker: Reinforcing Agentic Interleaved Generation [37.528182608182554]
我々はInterleaveThinkerを紹介した。InterleaveThinkerは、インターリーブ生成機能を備えた既存のイメージジェネレータをサポートするように設計された最初のマルチエージェントパイプラインである。
具体的には、イメージテキスト入力シーケンスを整理するためにプランナーエージェントを使用し、各ステップで必要な実行をイメージジェネレータに指示する。
次に, 発電機の出力を評価し, 計画された指示から逸脱するサンプルを同定し, 再生指示を洗練するための批判エージェントを紹介する。
論文 参考訳（メタデータ） (2026-06-11T17:59:50Z) - Energy-oriented Diffusion Bridge for Image Restoration with Foundational Diffusion Models [65.20192162889253]
低コストな測地軌道の集合を近似するエネルギー指向拡散橋(E-Bridge)フレームワークを提案する。
我々は、短い時間水平線上で進化する新しいブリッジプロセスを設計し、エントロピー規則化点から逆プロセスを開始することで、これを実現する。
得られたE-Bridgeは,画像復元作業における最先端性能を達成しつつ,サンプリングステップを1回以下で高品質なリカバリを実現していることを示す。
論文 参考訳（メタデータ） (2026-04-13T04:42:55Z) - Iterative Refinement Improves Compositional Image Generation [47.116050084875106]
Text-to-image (T2I)モデルは、複数のオブジェクト、リレーション、属性を同時に扱う必要がある複雑なプロンプトと競合する。
本稿では,T2Iモデルを複数のステップで段階的に改良する反復的テストタイム戦略を提案する。
われわれのアプローチは単純で、外部ツールや事前は必要とせず、幅広い画像生成器や視覚言語モデルに柔軟に適用できる。
論文 参考訳（メタデータ） (2026-01-21T18:59:40Z) - VA-$π$: Variational Policy Alignment for Pixel-Aware Autoregressive Generation [65.22452273252428]
VA-$は自動回帰視覚生成を最適化するポストトレーニングフレームワークである。
ピクセル再構成と自己回帰モデリングを統一する。
FIDを14.36から7.65に削減し、ISをLlamaGen-XXLで86.55から116.70に改善する。
論文 参考訳（メタデータ） (2025-12-22T18:54:30Z) - FastJAM: a Fast Joint Alignment Model for Images [10.522943649619426]
画像の結合アライメントは、画像の集合を、対応する空間的位置において意味的に類似した特徴が現れるように、統一された座標フレームに整列することを目的としている。
我々は,関節アライメントタスクの計算量を大幅に削減する高速グラフベース手法であるFastJAMを紹介する。
論文 参考訳（メタデータ） (2025-10-26T21:21:27Z) - Improved Distribution Matching Distillation for Fast Image Synthesis [54.72356560597428]
この制限を解除し、MDDトレーニングを改善する一連の技術であるMDD2を紹介する。
まず、回帰損失と高価なデータセット構築の必要性を排除します。
第2に, GAN損失を蒸留工程に統合し, 生成した試料と実画像との識別を行う。
論文 参考訳（メタデータ） (2024-05-23T17:59:49Z) - Overparameterization Improves StyleGAN Inversion [66.8300251627992]
既存の反転アプローチは、有望だが不完全な結果が得られる。
これにより、エンコーダを必要とせずに、ほぼ完璧な画像再構成が得られることを示す。
われわれのアプローチは、画像間の現実的な補間による編集可能性も維持する。
論文 参考訳（メタデータ） (2022-05-12T18:42:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。