論文の概要: TRIG: Toward Measuring Texture Realism in Image Generation

• arxiv url: http://arxiv.org/abs/2610.15164v1
• Date: Sat, 10 Oct 2026 20:26:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 02:17:36.739166
• Title: TRIG: Toward Measuring Texture Realism in Image Generation
• Title（参考訳）: TRIG:画像生成におけるテクスチャリアリズムの測定に向けて
• Abstract要約: 本稿では,生成した画像の品質を評価するために,メトリクスが使用するバックボーンについて検討する。 生成した画像のテクスチャリアリズムを指向したメトリックであるTRIGを提案する。
• 参考スコア（独自算出の注目度）: 23.733266215311954
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper studies the backbone used by metrics for evaluating the quality of generated images. Although generative models have advanced rapidly, some outputs still exhibit unrealistic texture characteristics, and these differences are difficult to measure. Widely used evaluation metrics provide limited insight into texture realism, since they often rely on a backbone trained for another objective, such as image classification or image-text alignment. Such objectives typically encourage invariance to low-level variations that carry texture, so the resulting features primarily encode semantic and global structure. As a result, texture-specific discrepancies may not be explicitly captured. We propose TRIG, a metric directed at the texture realism of generated images. Its backbone is instead the discriminator of a generative adversarial network pre-trained on a texture dataset, which provides a learned prior for the local statistics of natural textures. A plausibility head is fine-tuned to identify local texture degradations, while preserving natural defocus and sensor noise as positive cases. On the features of this backbone, we compute a standard distributional distance between a reference set of real images and a set of generated ones. We apply TRIG to several generative models and observe closer agreement with human realness ratings than baseline metrics.
• Abstract（参考訳）: 本稿では,生成した画像の品質を評価するために,メトリクスが使用するバックボーンについて検討する。 生成モデルは急速に進歩しているが、いくつかの出力は依然として非現実的なテクスチャ特性を示しており、これらの差を測ることは困難である。 広く使用されている評価指標は、テクスチャリアリズムに関する限られた洞察を与え、画像分類や画像テキストアライメントといった他の目的のために訓練されたバックボーンに依存していることが多い。 このような目的は通常、テクスチャを包含する低レベルなバリエーションへの不変性を奨励するので、結果として得られる特徴は主に意味論とグローバルな構造をエンコードする。 結果として、テクスチャ固有の相違を明示的に捉えることはできない。 生成した画像のテクスチャリアリズムを指向したメトリックであるTRIGを提案する。 そのバックボーンは、テクスチャデータセットで事前訓練された生成的敵ネットワークの識別器であり、自然テクスチャの局所統計学の事前学習を提供する。 自然なデフォーカスやセンサノイズを正のケースとして保存しつつ、局所的なテクスチャ劣化を識別するために、可塑性ヘッドを微調整する。 このバックボーンの特徴に基づき、実画像の参照セットと生成された画像のセットとの間の標準分布距離を計算する。 TRIGを複数の生成モデルに適用し、ベースライン指標よりも人間の現実性評価との密接な一致を観察する。

関連論文リスト

• Remote Sensing Image Super-Resolution for Imbalanced Textures: A Texture-Aware Diffusion Framework [14.897323487173587]
  近年, 自然画像の超解像化において, 先進拡散は最先端の性能を達成している。 リモートセンシング画像への直接的適用は、重大な欠点を露呈する。 テクスチャ分布を表すためにRTDM(Relative Texture Map)を推定することから始まる新しいフレームワークであるTexADiffを提案する。
  論文  参考訳（メタデータ） (2026-04-15T15:36:49Z)
• Learning Deblurring Texture Prior from Unpaired Data with Diffusion Model [92.61216319417208]
  画像の劣化に対する新しい拡散モデル(DM)に基づくフレームワークを提案する。 我々の研究は、ぼやけた画像のテクスチャを回復するのに役立つ事前知識を生成するために、DMを実行する。 生成したテクスチャをフル活用するために,テクスチャ転送変換層(TTformer)を提案する。
  論文  参考訳（メタデータ） (2025-07-18T01:50:31Z)
• Real-time Free-view Human Rendering from Sparse-view RGB Videos using Double Unprojected Textures [87.80984588545589]
  スパースビューのRGB入力からのリアルタイム自由視点人体レンダリングは、センサー不足と厳しい時間予算のために難しい課題である。 本稿では,2重非投影テクスチャについて述べる。その中心部では外観合成から粗い幾何学的変形推定を行う。
  論文  参考訳（メタデータ） (2024-12-17T18:57:38Z)
• Err on the Side of Texture: Texture Bias on Real Data [3.5990273573803058]
  テクスチャ・アソシエーション・バリュー(TAV)は、オブジェクトを分類する際に特定のテクスチャの存在に依存するモデルがいかに強く依存しているかを定量化する新しいメトリクスである。 以上の結果から, テクスチャバイアスは, その90%以上は, 学習したテクスチャと真のラベルとが一致していないテクスチャを含む自然対逆例の存在を説明できることがわかった。
  論文  参考訳（メタデータ） (2024-12-13T22:53:16Z)
• ENTED: Enhanced Neural Texture Extraction and Distribution for Reference-based Blind Face Restoration [51.205673783866146]
  我々は,高品質でリアルな肖像画を復元することを目的とした,ブラインドフェイス修復のための新しいフレームワークであるENTEDを提案する。 劣化した入力画像と参照画像の間で高品質なテクスチャ特徴を伝達するために,テクスチャ抽出と分布の枠組みを利用する。 われわれのフレームワークにおけるStyleGANのようなアーキテクチャは、現実的な画像を生成するために高品質な潜伏符号を必要とする。
  論文  参考訳（メタデータ） (2024-01-13T04:54:59Z)
• Parents and Children: Distinguishing Multimodal DeepFakes from Natural Images [60.34381768479834]
  近年の拡散モデルの発展により、自然言語のテキストプロンプトから現実的なディープフェイクの生成が可能になった。 我々は、最先端拡散モデルにより生成されたディープフェイク検出に関する体系的研究を開拓した。
  論文  参考訳（メタデータ） (2023-04-02T10:25:09Z)
• Locally Adaptive Structure and Texture Similarity for Image Quality Assessment [33.58928017067797]
  フル参照画像品質評価(IQA)のための局所適応構造とテクスチャ類似度指標について述べる。 具体的には、異なるスケールでテクスチャ領域をローカライズするために、分散指数と呼ばれる単一の統計的特徴に依存する。 その結果、A-DISTSは局所的な画像コンテンツに適応し、教師付きトレーニングのための高価な人間の知覚スコアを欠いている。
  論文  参考訳（メタデータ） (2021-10-16T09:19:56Z)
• Texture Generation with Neural Cellular Automata [64.70093734012121]
  一つのテンプレート画像からテクスチャジェネレータを学習する。 NCAモデルで示される振る舞いは、テクスチャを生成するための学習された分散されたローカルアルゴリズムであると主張します。
  論文  参考訳（メタデータ） (2021-05-15T22:05:46Z)
• Image Quality Assessment: Unifying Structure and Texture Similarity [38.05659069533254]
  テクスチャリサンプリングに対する耐性を明示した,最初のフル参照画像品質モデルを開発した。 畳み込みニューラルネットワークを用いて、画像をオーバーコンプリート表現に変換するインジェクティブで微分可能な関数を構築する。
  論文  参考訳（メタデータ） (2020-04-16T16:11:46Z)

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。