論文の概要: PixARG: Pixel-Asynchronous Retrieval-Augmented Diffusion for Fast and Realistic Image Generation
- arxiv url: http://arxiv.org/abs/2610.14713v1
- Date: Sat, 10 Oct 2026 08:29:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 12:06:58.826644
- Title: PixARG: Pixel-Asynchronous Retrieval-Augmented Diffusion for Fast and Realistic Image Generation
- Title（参考訳）: PixARG:高速でリアルな画像生成のためのPixel-Asynchronous Retrieval-Augmented Diffusion
- Abstract要約: 本稿では,動的実世界の画像検索を拡散パイプラインに統合する検索拡張型生成フレームワークPixARGを提案する。
具体的には、PixARGは、ユーザのテキストプロンプトと検索した画像の間に画素レベルの親和性マップを構築し、不均一なノイズを誘導する。
- 参考スコア（独自算出の注目度）: 6.729767805436121
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While diffusion models achieve impressive image generation capabilities, they suffer from high computational costs, implausible artifacts, and limited adaptability to dynamic or private data due to static, centralized training. To address these, we propose PixARG, a novel retrieval-augmented generative framework that integrates dynamic real-world image retrieval into the diffusion pipeline to simultaneously enhance efficiency and visual realism. Specifically, PixARG constructs a pixel-level affinity map between the user's text prompt and the retrieved image to guide a heterogeneous noise initialization. By modulating noise intensity across spatial regions, this mechanism preserves semantically relevant structural priors while perturbing less relevant areas, thereby significantly accelerating convergence. To accommodate this spatially non-uniform noise and ensure synchronized generation, we introduce a pixel-wise asynchronous denoising scheduler and a spatiotemporal denoiser conditioned on the affinity map. Furthermore, we derive an affinity-adaptive training objective that elegantly balances deterministic restoration with stochastic regeneration across pixels. Experiments on LAION and COYO datasets across offline, online, and user-specific settings show PixARG enhances realism and semantic alignment while drastically reducing diffusion steps.
- Abstract（参考訳）: 拡散モデルは印象的な画像生成能力を達成するが、それらは高い計算コスト、証明不可能なアーティファクト、静的で集中的なトレーニングによる動的データやプライベートデータへの適応性の制限に悩まされる。
そこで本研究では,動的現実画像検索を拡散パイプラインに統合し,効率性と視覚リアリズムを同時に向上する新しい検索拡張生成フレームワークPixARGを提案する。
具体的には、PixARGは、ユーザのテキストプロンプトと検索画像との間に画素レベルの親和性マップを構築し、不均一なノイズ初期化を誘導する。
空間領域にわたる雑音の強度を調節することにより、このメカニズムは意味論的に関係のある構造的先行を保ちながら、あまり関係のない領域を摂動させ、収束を著しく加速させる。
この空間的に一様でないノイズに対処し、同期生成を確保するため、アフィニティマップに条件付き画素単位の非同期デノナイズスケジューラと時空間デノナイザを導入する。
さらに、画素間の確率的再生と決定論的復元を優雅にバランスさせる親和性適応学習目標を導出する。
オフライン、オンライン、およびユーザ固有の設定にわたるLAIONとCOYOデータセットの実験では、PixARGは、拡散ステップを大幅に削減しながら、リアリズムとセマンティックアライメントを強化する。
関連論文リスト
- Rarity-Aware Discrete Diffusion with Spatially Consistent Decoding for Photo-Realistic Image Super-Resolution [80.28905986756685]
DiMOO-SRは光リアル画像超解法のための多モード離散拡散フレームワークである。
広く使われている実世界のSRベンチマークの実験では、DiMOO-SRはいくつかの並列デコードステップで競合する知覚品質を達成する。
論文 参考訳（メタデータ） (2026-07-20T07:01:01Z) - Order within Chaos: Capturing Intrinsic Energy Anomalies for AI-Manipulated Image Forgery Localization [44.530431689652396]
生成AIの最近の進歩は、現実的な偽造を生成できる画像編集モデルに繋がった。
本稿では,LADマップを用いて固有異常を捕捉する統合フレームワークFLAMEを提案する。
法医学的なベンチマークと進化する生成モデルの間の遅延を埋めるために、EditStreamを紹介します。
論文 参考訳（メタデータ） (2026-06-01T12:36:04Z) - HIR-ALIGN: Enhancing Hyperspectral Image Restoration via Diffusion-Based Data Generation [50.46910397782266]
ハイパスペクトル画像(HSI)の復元は、ノイズ、ぼかし、分解能損失などの劣化に悩まされるため、信頼性の高い解析に不可欠である。
本稿では,HIR-ALIGNを提案する。HIR-ALIGNは,限られたトレーニング画像と,ターゲット分布と密に一致した合成データとを付加して,ハイパースペクトル画像の復元を促進するための,プラグアンドプレイのターゲット適応型拡張フレームワークである。
論文 参考訳（メタデータ） (2026-05-13T14:14:13Z) - RPiAE: A Representation-Pivoted Autoencoder Enhancing Both Image Generation and Editing [37.46832944462102]
拡散モデルは画像生成と編集において支配的なパラダイムとなっている。
近年、事前に訓練された視覚表現モデルをトークンライザとして活用しようとする試みは、拡散特徴を表現特徴に整合させるか、凍結トークンライザとして直接表現エンコーダを再利用するかのいずれかである。
生成と編集の両方を改善する表現ベースのトークン化器であるRepresentation-Pivoted AutoEncoderを提案する。
論文 参考訳（メタデータ） (2026-03-19T17:54:43Z) - Latent Forcing: Reordering the Diffusion Trajectory for Pixel-Space Image Generation [36.41177812868683]
遅延拡散モデルは高品質な画像を生成するのに優れるが、エンドツーエンドのモデリングの利点は失われる。
本稿では,生の自然画像上での潜伏拡散の効率性を実現するため,既存のアーキテクチャを簡易に修正した潜伏強制法を提案する。
Latent Forcingは、我々の計算スケールで拡散トランスフォーマーベースのピクセル生成のための新しい最先端を実現する。
論文 参考訳（メタデータ） (2026-02-11T22:09:58Z) - Live Avatar: Streaming Real-time Audio-Driven Avatar Generation with Infinite Length [57.458450695137664]
提案するLive Avatarは,効率的,高忠実,無限長アバター生成のためのアルゴリズム設計のフレームワークである。
ライブアバターは、このスケールで実用的でリアルタイムで高忠実なアバター生成を実現するのが最初である。
論文 参考訳（メタデータ） (2025-12-04T11:11:24Z) - Exploring Fourier Prior and Event Collaboration for Low-Light Image Enhancement [1.8724535169356553]
イベントカメラは低照度画像強調のための性能向上を提供する。
現在、既存のイベントベースのメソッドは、フレームとイベントを直接単一のモデルにフィードする。
本稿では,振幅-位相絡み付き可視性回復ネットワークを提案する。
第2段階では、空間的ミスマッチを軽減するために、動的アライメントを伴う融合戦略を提案する。
論文 参考訳（メタデータ） (2025-08-01T04:25:00Z) - DiffSCI: Zero-Shot Snapshot Compressive Imaging via Iterative Spectral
Diffusion Model [18.25548360119976]
マルチスペクトル画像(MSI)におけるスナップショット圧縮画像(SCI)再構成の精度向上を目指した。
DiffSCIと呼ばれる新しいゼロショット拡散モデルを提案する。
我々は,DiffSCIが自己監督的,ゼロショット的アプローチよりも顕著な性能向上を示すことを示すため,広範囲な試験を行った。
論文 参考訳（メタデータ） (2023-11-19T20:27:14Z) - Alignment-free HDR Deghosting with Semantics Consistent Transformer [76.91669741684173]
高ダイナミックレンジイメージングは、複数の低ダイナミックレンジ入力から情報を取得し、リアルな出力を生成することを目的としている。
既存の手法では、前景やカメラの動きによって引き起こされる入力フレーム間の空間的ずれに焦点を当てることが多い。
本研究では,SCTNet(Semantics Consistent Transformer)を用いたアライメントフリーネットワークを提案する。
論文 参考訳（メタデータ） (2023-05-29T15:03:23Z)
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。