論文の概要: Look Back to Move Forward: Learning to Revisit for Agentic Compositional Image Generation

• arxiv url: http://arxiv.org/abs/2610.16224v1
• Date: Mon, 12 Oct 2026 05:59:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.315202
• Title: Look Back to Move Forward: Learning to Revisit for Agentic Compositional Image Generation
• Title（参考訳）: 前へ振り返って - エージェント構成画像生成のための再考を学ぶ
• Abstract要約: 我々は,行動選択を協調継続状態と行動選択に拡張するエージェントフレームワークであるGenRevisitを紹介する。 我々はGenRevisitをSFTで訓練し、その後エージェント強化学習を行った。 GenEval2 では、GenRevisit は Qwen-Image-2512 と Z-Image-Turbo で GM スコア 84.3 と 74.4 を達成している。
• 参考スコア（独自算出の注目度）: 39.87055023898896
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-to-image models have made remarkable progress in visual fidelity and instruction following, yet complex compositional generation remains challenging. Existing agentic approaches address this limitation through iterative generation and editing, adapting their actions based on interaction history. However, they typically fix the continuation state (i.e., the image from which refinement proceeds) to the latest image. Since iterative editing is not necessarily monotonic, the agent may continue refining from the latest image even when it has already degraded. In this work, we introduce GenRevisit, an agentic framework that extends action selection to joint continuation-state and action selection. The agent can not only use interaction history to adjust editing instructions but also select an image candidate to edit, jointly deciding where to continue from and how to refine. We train GenRevisit with SFT followed by agentic reinforcement learning. To address the coarse credit assignment of final outcome reward in GRPO, which assigns the same trajectory-level advantage to all actions, we further propose Normalized Action Credit Assignment (NACA) to redistribute positive advantage according to each action's contribution to reducing the remaining objective. On GenEval2, GenRevisit achieves GM scores of 84.3 and 74.4 with Qwen-Image-2512 and Z-Image-Turbo, surpassing the strongest baselines using the same generators by 12.7 and 10.9 points respectively. GenRevisit achieves state-of-the-art performance on GenEval, GenEval++, and GenEval2 among baselines.
• Abstract（参考訳）: テキスト・ツー・イメージモデルは、視覚的忠実度と指示の順に顕著な進歩を遂げてきたが、複雑な構成生成は依然として困難である。 既存のエージェントアプローチは、反復生成と編集を通じてこの制限に対処し、インタラクション履歴に基づいたアクションを適用する。 しかし、それらは通常、継続状態(すなわち、精細化が進行する画像)を最新の画像に固定する。 反復編集は必ずしも単調ではないため、エージェントは、既に劣化している場合でも、最新の画像から精錬を続けることができる。 本稿では,行動選択を協調継続状態と行動選択に拡張するエージェントフレームワークであるGenRevisitを紹介する。 エージェントは、インタラクション履歴を使用して編集命令を調整するだけでなく、編集する画像候補を選択し、どこから進むか、どのように洗練するかを共同で決定する。 我々はGenRevisitをSFTで訓練し、その後エージェント強化学習を行った。 また,すべての行動に対して同一の軌道レベルの優位性を付与するGRPOにおける最終結果報酬の粗末なクレジット割り当てに対処するため,各行動が残した目的を減らそうとする貢献に応じて正の優位性を再分配する正規化行動クレジット割り当て(NACA)を提案する。 GenEval2 では、GenRevisit は Qwen-Image-2512 と Z-Image-Turbo で GM スコア 84.3 と 74.4 を達成し、それぞれ同じジェネレータを使用して最強のベースラインを12.7 と 10.9 で上回っている。 GenRevisitはGenEval、GenEval++、GenEval2の最先端のパフォーマンスを実現している。

関連論文リスト

• Stride: Scale-Aware Multi-Agent Evolutionary Refinement for Infographic Generation [14.705846698895035]
  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。
  論文  参考訳（メタデータ） (2026-10-09T12:29:50Z)
• GenEvolve: Self-Evolving Image Generation Agents via Tool-Orchestrated Visual Experience Distillation [27.909477662239215]
  我々は、オープンエンド画像生成のための自己進化型フレームワークGenEvolveを提案する。 GenEvolveでは、各生成の試みはツール調整された軌道としてモデル化され、エージェントが証拠を収集し、参照を選択し、生成スキルを呼び出し、それらをプロンプト参照プログラムに構成する。 オンラインの自己蒸留にインスパイアされた視覚体験蒸留(Visual Experience Distillation)は、密集したトークンレベルの監視を提供し、学生がより良い検索、知識の活性化、参照の選択、迅速な構築を支援する。
  論文  参考訳（メタデータ） (2026-05-20T18:12:29Z)
• Generation Navigator: A State-Aware Agentic Framework for Image Generation [27.152909600620095]
  既存のシステムは、手作りのルールによって駆動される単純なプロンプト書き換えかクローズドループエージェントに依存している。 生成軌道を動的に操り、次の動作を出力するマルチターンT2IエージェントであるGeneration Navigatorを提案する。 本稿では,高画質画像の発見に有意な報奨を与える軌道レベルの強化学習目標であるPre-GRPOを用いてこれを解決する。
  論文  参考訳（メタデータ） (2026-05-18T07:26:45Z)
• Self-Corrected Image Generation with Explainable Latent Rewards [55.29175717238288]
  我々は、説明可能なLatent RewarDを通じて生成をガイドする自己修正フレームワークであるxLARDを提案する。 xLARDは、モデル生成参照からの構造化されたフィードバックに基づいて遅延表現を洗練する軽量な修正器を導入している。 実験により、xLARDは、生成前の状態を維持しながら、意味的アライメントと視覚的忠実性を改善することが示された。
  論文  参考訳（メタデータ） (2026-03-26T02:59:35Z)
• Can We Generate Images with CoT? Let's Verify and Reinforce Image Generation Step by Step [86.69947123512836]
  CoT(Chain-of-Thought)推論は、複雑な理解タスクに取り組むために大規模なモデルで広く研究されている。 自己回帰画像生成を促進するために,CoT推論の可能性について,初めて包括的調査を行った。 本稿では,自動回帰画像生成に特化したPARMとPARM++を提案する。
  論文  参考訳（メタデータ） (2025-01-23T18:59:43Z)
• GenHowTo: Learning to Generate Actions and State Transformations from Instructional Videos [60.65095699793441]
  動作とオブジェクト状態変換の時間的一貫性と物理的に妥当な画像を生成するタスクに対処する。 対象の変換を記述した入力画像とテキストプロンプトが与えられた場合、生成した画像は環境を保存し、初期画像内のオブジェクトを変換する。
  論文  参考訳（メタデータ） (2023-12-12T14:37:36Z)

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。