論文の概要: Efficient Scene-Text Refinement via Pixel-Space Grouped Image Generation

• arxiv url: http://arxiv.org/abs/2610.18284v1
• Date: Tue, 13 Oct 2026 12:34:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:35:23.592424
• Title: Efficient Scene-Text Refinement via Pixel-Space Grouped Image Generation
• Title（参考訳）: 画素空間群画像生成による効率的なシーンテクスチャ精細化
• Abstract要約: シーンテキストの改良には正確さ、保存性、効率性が必要である。 ピクセル空間におけるグループ画像生成として局所的なテキスト精細化を定式化するPixTextを導入する。
• 参考スコア（独自算出の注目度）: 38.746760313702794
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generated images often have coherent layouts and visual content, yet local errors in small text and complex characters still limit their readability and practical use. Scene-text refinement requires accuracy, preservation, and efficiency. Existing methods based on variational autoencoders (VAEs) can lose fine strokes during reconstruction, while full-image editing can shift background colors. In this work, we introduce PixText, a model that formulates local text refinement as grouped image generation in pixel space. Conditioned on the original image, PixText generates only the target regions, preserves unedited content, and uses MeanFlow for four-step generation. We further introduce Text Refinement Bench to evaluate text correction and image preservation in generated images. On this benchmark, PixText achieves 83.06% glyph pass and 94.66% exact target-character OCR accuracy, versus 36.77% and 52.31% for the strongest baseline. Its four-step MeanFlow variant retains an 81.84% pass rate with less than one GPU-second of amortized generation cost per image.
• Abstract（参考訳）: 生成した画像は、しばしばコヒーレントなレイアウトと視覚的内容を持つが、小さなテキストや複雑な文字の局所的なエラーは、可読性と実用的な使用を制限する。 シーンテキストの改良には正確さ、保存性、効率性が必要である。 可変オートエンコーダ(VAE)をベースとした既存の手法では、再構築時に微細なストロークが失われ、フルイメージ編集では背景色が変化する。 そこで本研究では,画素空間におけるグループ化画像生成として局所的なテキストリファインメントを定式化するPixTextを提案する。 元のイメージに条件付きで、PixTextはターゲット領域のみを生成し、未編集のコンテンツを保存し、4ステップ生成にMeanFlowを使用する。 さらに、生成画像のテキスト修正と画像保存を評価するために、テキストリファインメントベンチを導入する。 このベンチマークでは、PixTextは83.06%のグリフパスと94.66%の正確な目標文字OCR精度を達成したが、最強のベースラインでは36.77%と52.31%だった。 4段階のMeanFlowは81.84%のパスレートを維持し、画像あたりの再生コストは1GPU秒未満である。

関連論文リスト

• TextGuider: Training-Free Guidance for Text Rendering via Attention Alignment [68.91073792449201]
  そこで本研究では,テキストの正確かつ完全な出現を促すトレーニング不要な方法であるTextGuiderを提案する。 具体的には,多モード拡散変換器(MM-DiT)モデルにおける注意パターンを解析し,特に画像に描画することを意図したテキスト関連トークンについて検討する。 テスト時間テキストレンダリングでは,OCR精度とCLIPスコアが大幅に向上し,高い結果が得られた。
  論文  参考訳（メタデータ） (2025-12-10T06:18:30Z)
• Language-Guided Image Tokenization for Generation [63.0859685332583]
  TexTokは、言語を利用してコンパクトでハイレベルなセマンティック表現を提供する、シンプルで効果的なトークン化フレームワークである。 TexTokはテキスト条件のない従来のトークン化ツールと比較して、ImageNet-256と-512ベンチマークでそれぞれ29.2%と48.1%のFIDの改善を実現している。 バニラ DiT ジェネレータを備えた TexTok は、ImageNet-256 と -512 でそれぞれ 1.46 と 1.62 の最先端 FID スコアを達成している。
  論文  参考訳（メタデータ） (2024-12-08T03:18:17Z)
• AnyText2: Visual Text Generation and Editing With Customizable Attributes [10.24874245687826]
  本稿では,自然シーン画像の生成と編集において,多言語テキスト属性を正確に制御する新しい手法であるAnyText2を紹介する。 従来のAnyTextと比較して、私たちの新しいアプローチはイメージリアリズムを強化するだけでなく、推論速度の19.8%も向上します。 AnyTextの拡張として、この方法では、各行の属性をカスタマイズすることができ、それぞれ中国語と英語のテキスト精度が3.3%と9.3%向上した。
  論文  参考訳（メタデータ） (2024-11-22T03:31:56Z)
• AnyText: Multilingual Visual Text Generation And Editing [18.811943975513483]
  拡散型多言語視覚テキスト生成・編集モデルであるAnyTextを紹介する。 AnyTextは複数の言語で文字を書くことができます。 我々は、OCRアノテーションと300万の画像テキストペアを複数言語で含む、最初の大規模多言語テキスト画像データセットであるAnyWord-3Mをコントリビュートする。
  論文  参考訳（メタデータ） (2023-11-06T12:10:43Z)
• Exploring Stroke-Level Modifications for Scene Text Editing [86.33216648792964]
  シーンテキスト編集(STE)は、元のテキストの背景とスタイルを保存しながら、テキストを所望のテキストに置き換えることを目的としている。 画像全体を編集するには、背景領域とテキスト領域の異なる翻訳規則を同時に学習する必要がある。 Scene Text Image at strokE Level (MOSTEL) を用いた新しいネットワークを提案する。
  論文  参考訳（メタデータ） (2022-12-05T02:10:59Z)
• FlexIT: Towards Flexible Semantic Image Translation [59.09398209706869]
  我々は,任意の入力画像とユーザが定義したテキストを編集するための新しい方法であるFlexITを提案する。 まず、FlexITは入力画像とテキストをCLIPマルチモーダル埋め込み空間内の単一のターゲットポイントに結合する。 我々は、入力画像を目標点に向けて反復的に変換し、新しい正規化用語で一貫性と品質を確保する。
  論文  参考訳（メタデータ） (2022-03-09T13:34:38Z)
• SwapText: Image Based Texts Transfer in Scenes [13.475726959175057]
  スワップテキスト(SwapText)はシーンイメージ間でテキストを転送するフレームワークである。 前景画像のみにテキストラベルを置換する新しいテキストスワップネットワークを提案する。 生成された前景画像と背景画像を用いて、融合ネットワークにより単語画像を生成する。
  論文  参考訳（メタデータ） (2020-03-18T11:02:17Z)

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。