論文の概要: Stride: Scale-Aware Multi-Agent Evolutionary Refinement for Infographic Generation

• arxiv url: http://arxiv.org/abs/2610.13502v1
• Date: Fri, 09 Oct 2026 12:29:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.576398
• Title: Stride: Scale-Aware Multi-Agent Evolutionary Refinement for Infographic Generation
• Title（参考訳）: Stride: インフォグラフィ生成のためのスケール対応マルチエージェント進化リファインメント
• Abstract要約: インフォグラフィック生成は、単一の画像が多くの制約を満たす必要があるため、テキスト・ツー・イメージモデルに挑戦する。 マルチモーダル検証器による反復的エージェント改良は自然な治療であるが、既存の手法はスケールミスマッチに直面している。 歴史的に認識された進化戦略として,冷凍発電機の改質を取り扱う制約付きマルチエージェントフレームワークであるStrideを紹介した。
• 参考スコア（独自算出の注目度）: 14.705846698895035
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Infographic generation challenges text-to-image models because a single image must satisfy numerous visual, textual, and semantic constraints. Iterative agentic refinement with a multimodal verifier is a natural remedy, but existing methods face a scale mismatch: local edits cannot correct global composition errors, while full regeneration may destroy already-correct regions. We introduce Stride, a constraint-grounded multi-agent framework that treats refinement over any frozen generator as a history-aware evolution strategy. Stride separates constraint evaluation - whether each requirement is satisfied - from visual grounding - where and how it is violated. It then routes global revisions to a composer subagent and local corrections to a retoucher subagent. Each subagent conducts internal planning and generates multiple candidates, while Stride accepts a candidate only when it improves the verifier score, reducing regression across iterations. Because stochastic generators and imperfect verifiers make any single step unreliable, it is this combination of scale-aware routing, per-step redundancy, and monotonic acceptance that yields stable improvement across iterations. With fully open-weight generator-verifier systems, Stride outperforms proprietary systems including Nano-Banana-2.0 and Seedream-5.0-Pro on BizGenEval, matches GPT-Image-2.0 and surpasses Seedream-5.0-Pro on IGenBench, and achieves a new state-of-the-art score on WISE, while substantially outperforming existing agentic methods across all evaluated benchmarks.
• Abstract（参考訳）: インフォグラフィック生成は、単一の画像が多数の視覚的、テキスト的、意味的な制約を満たす必要があるため、テキスト・ツー・イメージモデルに挑戦する。 マルチモーダル検証器による反復的エージェント的精錬は自然な治療法であるが、既存の手法はスケールミスマッチに直面している。 歴史的に認識された進化戦略として,冷凍発電機の改質を取り扱う制約付きマルチエージェントフレームワークであるStrideを紹介した。 Strideは制約評価(各要件が満たされているかどうか)と視覚的根拠(visual grounding)を、どこでどのように違反するかを分離する。 その後、グローバルなリビジョンを作曲家のサブエージェントに、局所的な修正をリタッチのサブエージェントに転送する。 各サブエージェントは内部計画を実行し、複数の候補を生成するが、Strideは検証結果を改善する場合にのみ候補を受理し、イテレーション間の回帰を減少させる。 確率的生成器と不完全検証器は任意の単一ステップを信頼できないので、スケールアウェアなルーティング、ステップごとの冗長性、単調な受け入れの組み合わせがイテレーション間で安定した改善をもたらす。 完全にオープンなジェネレータ検証システムでは、Nano-Banana-2.0やSeedream-5.0-ProをBizGenEvalで上回り、GPT-Image-2.0にマッチし、IGenBenchでSeedream-5.0-Proを上回り、WISE上で新しい最先端のスコアを達成し、既存のエージェントメソッドよりも大幅に上回ります。

関連論文リスト

• Where Does Generative Difficulty Reside? An Empirical Study of Target Representations [62.54876287800644]
  ターゲット表現は、イメージジェネレータが学ぶ必要がある分布を定義するが、しばしば交換可能なインターフェースとして扱われる。 マスク付き自己回帰整流モデルにおいて,生画素,SD-VAE潜伏剤,DINOv2,MAE表現-オートエンコーダの特徴について検討した。 その結果, 圧縮, 再構成忠実度, トークン次元, 可視的セマンティッククラスタリングは生成挙動を個別に予測できないことがわかった。
  論文  参考訳（メタデータ） (2026-08-01T12:32:31Z)
• GMO-E$^2$DIT: Grounded Multi-Operation Editing for E-Commerce Images [16.213122519512932]
  実世界のeコマース画像編集には、グローバルリプライよりも複数の、ローカライズされた、監査可能な操作が必要となることが多い。 既存のワンショットエディタは、意図の解決、空間的接地、合成を1ステップに分割する。 GMO-E$2$DITは、視覚言語モデル(VLM)とマスク条件の画像エディタを結合して構成されたマルチターンタスク補完に取り組むエージェント編集フレームワークである。
  論文  参考訳（メタデータ） (2026-07-01T13:23:45Z)
• Ask, Solve, Generate: Self-Evolving Unified Multimodal Understanding and Generation via Self-Consistency Rewards [52.42920996842378]
  視覚的理解と画像生成の両方をサポートするほとんどの統合された大型マルチモーダルモデル(LMM)は、訓練後の監督に頼っている。 本稿では,3つの内部的役割を持つ自己進化型トレーニングフレームワークを提案する。 視覚的質問を生成するプロポーラ, 回答と評価を行うソルバ, 画像を生成するジェネレータである。 画像生成のために,質問文の忠実度とサイクル一貫性キャプションを組み合わせたマルチスケール内部評価手法を設計する。
  論文  参考訳（メタデータ） (2026-06-25T17:59:57Z)
• DeGRe: Dense-supervised Generative Reranking for Recommendation [22.41679588580571]
  オフラインの探索とオンラインの効率のギャップを、密集した監督によって埋める、ジェネレーティブ・リグレード・フレームワークであるDeGReを提案する。 トレーニング中、評価器から高密度の監視信号に変換し、それらを軽量オンラインジェネレータに蒸留する。 私たちは、Taobao Flash ShoppingにDeGReをうまくデプロイし、オンラインレコメンデーションを大幅に改善しました。
  論文  参考訳（メタデータ） (2026-05-25T12:00:42Z)
• Best of Both Worlds: Multimodal Reasoning and Generation via Unified Discrete Flow Matching [17.68651859356751]
  UniDFlowは、マルチモーダル理解、生成、編集のための個別フローマッチングフレームワークである。 UniDFlpw SOTAは、インペイント、インコンテキスト画像生成、参照ベースの編集、合成生成などのタスクに強力なゼロショット一般化を実現する。
  論文  参考訳（メタデータ） (2026-02-12T17:59:08Z)
• GenAgent: Scaling Text-to-Image Generation via Agentic Multimodal Reasoning [54.42973725693]
  我々は,エージェント型マルチモーダルモデルを用いて,視覚的理解と生成を統一したGenAgentを導入する。 GenAgentはGenEval++とWISEのベースジェネレータ(FLUX.1-dev)のパフォーマンスを大幅に向上させる。 本フレームワークは,1) 様々な機能を持つジェネレータへのクロスツール一般化,2) インタラクションラウンド間で一貫した改善を伴うテスト時間スケーリング,3) タスクに自動的に適応するタスク適応推論の3つの重要な特性を示す。
  論文  参考訳（メタデータ） (2026-01-26T14:49:04Z)
• The Consistency Critic: Correcting Inconsistencies in Generated Images via Reference-Guided Attentive Alignment [105.31858867473845]
  ImageCriticはエージェントフレームワークに統合され、不整合を自動的に検出し、マルチラウンドおよびローカル編集で修正する。 実験では、ImageCriticは様々なカスタマイズされた生成シナリオで詳細に関連する問題を効果的に解決することができ、既存のメソッドよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2025-11-25T18:40:25Z)
• GReF: A Unified Generative Framework for Efficient Reranking via Ordered Multi-token Prediction [12.254397628788647]
  ランク付けは、項目間のリスト内相関をモデル化する上で重要な役割を果たす。 最近の研究は2段階(ジェネレータ・評価器)パラダイムを踏襲している。 本稿では,2つの主要な課題に対処するため,GReF(Unified Generative Efficient Re rank Framework)を提案する。
  論文  参考訳（メタデータ） (2025-10-29T06:54:42Z)
• Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
  ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。 既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。 本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-07-31T10:22:33Z)

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。