論文の概要: Diagnose-to-Generate: Eliminating Structural Distortions in Flow Models via Patch-Level Grounded Alignment
- arxiv url: http://arxiv.org/abs/2610.17882v1
- Date: Tue, 13 Oct 2026 07:37:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 08:24:11.184212
- Title: Diagnose-to-Generate: Eliminating Structural Distortions in Flow Models via Patch-Level Grounded Alignment
- Title（参考訳）: 診断・生成:パッチレベル接地アライメントによる流れモデルの構造歪みの除去
- Abstract要約: フローベース画像生成装置は強力なセマンティック合成を実現するが、それでも局所的な構造歪みを生じさせる。
textitDiagnose-to-Generate (D2G) は、画像診断と生成最適化を分離する基盤的アライメントフレームワークである。
- 参考スコア（独自算出の注目度）: 55.60663579540744
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Flow-based image generators achieve strong semantic synthesis but still produce localized structural distortions, such as malformed hands and limbs. Existing post-training methods typically optimize global scalar rewards, which provide weak spatial credit assignment and may alter well-formed regions while correcting local defects. We present \textit{Diagnose-to-Generate (D2G)}, a grounded alignment framework that separates visual diagnosis from generative optimization. We construct \textbf{Achilles-600K}, a region-annotated dataset for structural anomalies, and train \textbf{ARGUS} through supervised cold-start and Region-Aware Group Relative Policy Optimization to predict anomaly categories and bounding boxes. These diagnoses are converted into confidence-weighted spatial rewards for our \textbf{Patch-level Flow-GRPO}. We further identify that global stochastic exploration can shift semantic regions across group rollouts, making patch-wise relative advantages spatially inconsistent. Our \textbf{Trajectory-Preserving Stochastic Sampling (TPSS)} anchors early denoising with deterministic ODE trajectories and introduces stochasticity only at later steps, thereby limiting intra-group spatial drift while retaining local exploration. Experiments on FLUX.1-dev and SD3.5 show improved structural fidelity with preserved FID and CLIP scores. Consistent gains under HumanRefiner, zero-shot GPT-4.1, and blinded human evaluation further demonstrate that the improvements extend beyond the training reward model.
- Abstract（参考訳）: フローベース画像生成装置は強力なセマンティック合成を実現するが、手や手足などの局所的な構造歪みを発生させる。
既存の訓練後手法は、通常はグローバルスカラー報酬を最適化し、空間クレジットの割り当てが弱く、局所的な欠陥を修正しながら、良好な形状の領域を変更する。
本稿では、画像診断と生成最適化を分離する基盤的アライメントフレームワークである「textit{Diagnose-to-Generate(D2G)」を提案する。
我々は,構造異常に対する領域アノテーション付きデータセットである \textbf{Achilles-600K} を構築し,寒冷開始と地域認識グループ相対ポリシー最適化を通じて,異常カテゴリと境界ボックスを予測する。
これらの診断は、我々の \textbf{Patch-level Flow-GRPO} に対する信頼度重み付き空間報酬に変換される。
さらに,グローバル確率探索はグループロールアウトにまたがって意味領域をシフトし,パッチワイドな相対的優位性を空間的に不整合にする。
我々の<textbf{Trajectory-Preserving Stochastic Smpling (TPSS) は、決定論的ODE軌道を早期に無視し、後段のみ確率性を導入し、局所的な探索を維持しながら、群内空間のドリフトを制限する。
FLUX.1-devとSD3.5の実験では、保存されたFIDとCLIPスコアによる構造忠実度が改善された。
HumanRefiner, 0-shot GPT-4.1, and blinded human evaluation による一貫性のあるゲインは、トレーニング報酬モデルを超えて改善が拡張されていることを証明している。
関連論文リスト
- COMPASS: Contextual Moment Prior Alignment for Generalizable AIGI Detection [87.91469665365304]
一般化可能なAI生成画像(AIGI)とディープフェイク検出は、非対称性現象のため難しいままである。
最近の部分空間適応法は、残留部分空間を適応させながら高次主成分を凍結することによりこの問題を軽減する。
本稿では,小さなSemantic Proxy Setを用いて,ターゲットのアクティベーション統計を推定するデータ認識サブスペース適応フレームワークを提案する。
論文 参考訳（メタデータ） (2026-10-13T09:23:12Z) - Making Every Step Count: Spatio-Temporal Information Allocation for Imaging Inverse Problems [63.904793414062816]
スペクトルベーススケジューリング(SAS)と計測分割アテンション(MPA)の2つの補完的およびトレーニング不要なコンポーネントを紹介する。
SASは、利用可能なNFEを、スペクトルおよびlogSNR幾何に従ってフロータイムに分散し、セマンティック探索と詳細精細化のバランスを良くする。
MPAは情報を弱い制約のある領域へ誘導し、意味的および構造的忠実性を高める。
論文 参考訳（メタデータ） (2026-08-12T07:39:22Z) - Sheaf-Based Federated Representation Learning [11.430396441085579]
SFRL(Sheaf-based Federated Representation Learning)
我々は、局所モデルの勾配更新とエッジワイド制約マップの閉形式Procrustes更新を交互に行う、SFRL(Sheaf-FRL)と呼ばれる分散アルゴリズムを開発した。
応用として,セマンティックコミュニケーションの文脈における協調的な分類課題を考える。
論文 参考訳（メタデータ） (2026-08-08T16:38:34Z) - Covariance-Boosted Gaussian Processes for Spatiotemporal Irregularities [0.0]
本稿では,衛星ベースの拡張システムのための電離層モデリングにより,共分散ブーストガウス過程(CBGP)フレームワークを提案する。
CBGPモデルの有効性とロバスト性は、シミュレーションと実世界の両方のアプリケーションのサンプル外テストによって実証される。
南アメリカ上空の広範囲な電離圏嵐データセットのモデリングは、SBASの電離圏補正を計算する正確で信頼性の高い手段を示唆している。
論文 参考訳（メタデータ） (2026-07-25T03:24:04Z) - Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。
既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。
動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-25T09:57:46Z) - MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。
ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
論文 参考訳（メタデータ） (2026-05-18T01:52:12Z) - ViCrop-Det: Spatial Attention Entropy Guided Cropping for Training-Free Small-Object Detection [6.1221124436192875]
ViCrop-Detは、適応的な空間信頼領域収縮を導入する、トレーニング不要な推論フレームワークである。
RT-DETR-R50 と Deformable DETR に +1-3 mAP@50 を連続的に追加し,20-23% の遅延オーバヘッドを有することを示す。
計算マッチング設定下では、適応的ルーティング戦略は、一様スライシングベースラインを包括的に超越し、高度に最適化された精度-速度トレードオフを実現する。
論文 参考訳（メタデータ） (2026-04-29T15:35:03Z) - Latent Sculpting for Zero-Shot Generalization: A Manifold Learning Approach to Out-of-Distribution Anomaly Detection [2.8547732086436306]
教師付きディープラーニングの基本的限界は「一般化崩壊」である
階層型2段階表現学習フレームワークであるLatent Sculptingを提案する。
我々は「浸潤」のシナリオについて88.89%の検知率を報告した。
論文 参考訳（メタデータ） (2025-12-19T11:37:02Z) - Gaussian Primitive Optimized Deformable Retinal Image Registration [19.882820812725523]
変形性網膜画像登録は、大きな同種領域とスパースだが重要な血管的特徴のため、非常に困難である。
これらの課題を克服するために、構造化メッセージパッシングを実行する新しい反復的フレームワークを導入する。
FIREデータセットの実験では、GPOはターゲット登録エラーを6.2,pxから2.4,pxに減らし、AUCを0.770から0.938に増やしている。
論文 参考訳（メタデータ） (2025-08-23T00:44:50Z) - Crane: Context-Guided Prompt Learning and Attention Refinement for Zero-Shot Anomaly Detection [50.343419243749054]
異常検出は、医学診断や工業的欠陥検出などの分野において重要である。
CLIPの粗粒化画像テキストアライメントは、微粒化異常に対する局所化と検出性能を制限する。
クレーンは最先端のZSADを2%から28%に改善し、画像レベルとピクセルレベルの両方で、推論速度では競争力を維持している。
論文 参考訳（メタデータ） (2025-04-15T10:42:25Z)
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。