論文の概要: CommerceGen-Studio: An End-to-End Framework for Commercial-Grade Main-Image Generation
- arxiv url: http://arxiv.org/abs/2610.20603v1
- Date: Wed, 14 Oct 2026 17:59:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:16.300881
- Title: CommerceGen-Studio: An End-to-End Framework for Commercial-Grade Main-Image Generation
- Title（参考訳）: CommerceGen-Studio: 商用グレード主画像生成のためのエンドツーエンドフレームワーク
- Abstract要約: 我々は,eコマースのストック・キーピング・ユニット向けに,商用グレードのメインイメージを生成するエンドツーエンドのフレームワークであるCommerceGen-Studioを紹介する。
我々のフレームワークは,情報抽出,セマンティックリライト,マルチ条件生成という3段階のパイプラインに沿って構成されている。
1日に数百万のメインイメージを処理し、毎秒数秒のレイテンシで運用することができる。
- 参考スコア（独自算出の注目度）: 21.36217605126045
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present CommerceGen-Studio, an end-to-end framework for generating commercial-grade main images for e-commerce Stock Keeping Units (SKUs). Our framework is organized along a three-stage pipeline of information extraction, semantic rewriting, and multi-condition generation: Prompt-Eval-Refine-Loop Agent (PERL-Agent) distills heterogeneous SKU metadata into concise selling-point text lists through an iterative closed loop of VLM and LLM roles scored by a reference-free rubric. Layout Thinker Optimization (LTO) aligns the rewriter with both caption and rendered-image quality via alternating domain-specific policy optimization. SKU-DiT, trained under Reinforce-Distill-Reinforce (RDR) progressive training, conditions jointly on the white-background product image, the trademark crop, and the structured layout to hold subject fidelity, trademark integrity, and character-level text accuracy together. The framework runs in production at a scale of millions of main images per day with a latency of a few seconds per image, which we believe makes it among the first systems of this kind to operate at commercial scale. We also release CommerceGen-Bench, a benchmark of hard cases collected from live traffic across all product categories. On it, our framework achieves the highest overall scores among the evaluated open-source baselines on both editing tracks, with and without prompt enhancement. It also matches much larger closed-source models, and beats several of them at Instruction Following and Product Integration - the two properties that determine whether an image can be published.
- Abstract（参考訳）: 本稿では,eコマースのストック・キーピング・ユニット(SKU)向けに,商用グレードのメインイメージを生成するエンドツーエンドのフレームワークであるCommerceGen-Studioを紹介する。
Prompt-Eval-Refine-Loop Agent (PERL-Agent) は異種SKUメタデータを、参照フリーのルーブリックによって評価されたVLMとLLMロールの反復閉ループを介して、簡潔な販売ポイントテキストリストに蒸留する。
Layout Thinker Optimization (LTO)は、ドメイン固有のポリシー最適化を交互に行い、リライターをキャプションとレンダリング画像の品質の両方に調整する。
Reinforce-Distill-Reinforce (RDR) のプログレッシブトレーニングでトレーニングされたSKU-DiTは、ホワイトバックグラウンドの製品イメージ、商標の作物、構造化レイアウトを併用して、主観的忠実性、商標の整合性、文字レベルのテキスト精度を保持する。
このフレームワークは、毎日数百万のメインイメージで運用されており、毎秒数秒のレイテンシがある。
また、すべての製品カテゴリにわたるライブトラフィックから収集されたハードケースのベンチマークであるCommerceGen-Benchをリリースしています。
そこで本フレームワークは,両方の編集トラック上で評価されたオープンソースベースラインの中で,即時,即時的な拡張を伴わずに,最高スコアを達成している。
また、非常に大きなクローズドソースモデルにマッチし、インストラクションフォローとプロダクト統合において、イメージを公開することができるかどうかを決定する2つのプロパティで、そのいくつかを破ります。
関連論文リスト
- Element-Aware Group Learning for E-Commerce Image Generation [18.989839742726975]
ビジョン言語モデル(VLM)は、製品イメージとメタデータから画像編集プロンプトを生成することができる。
プロンプト書き込み機能の改善には、生成されたイメージからのフィードバックによる後トレーニングが必要だ。
電子商取引画像は、競争力のあるVLMプロンプトライティングベースラインよりも高品質な電子商取引画像を生成する。
論文 参考訳（メタデータ） (2026-08-01T10:45:03Z) - FashionMV: Product-Level Composed Image Retrieval with Multi-View Fashion Data [4.101270172538245]
Composed Image Retrieval (CIR)は、修正テキストと組み合わせた参照画像を用いてターゲット画像を取得する。
我々は、このミスマッチビュー不完全性を定義し、画像レベルから製品レベルまで標準CIRを一般化する新しいMulti-View CIRタスクを正式に定義する。
製品レベルのCIRのための,最初の大規模マルチビューファッションデータセットであるFashionMVを構築した。
論文 参考訳（メタデータ） (2026-04-11T17:26:29Z) - Multimodal OCR: Parse Anything from Documents [72.69545534962234]
dots.mocrは、チャート、ダイアグラム、テーブル、アイコンなどのビジュアル要素を第一級解析ターゲットとして扱う。
テキストとグラフィックの両方を構造化出力として再構築し、より忠実なドキュメント再構築を可能にする。
不均一なドキュメント要素に対するエンドツーエンドのトレーニングをサポートする。
論文 参考訳（メタデータ） (2026-03-13T14:42:21Z) - OneMall: One Architecture, More Scenarios -- End-to-End Generative Recommender Family at Kuaishou E-Commerce [68.7552227901176]
OneMallは、Kuaishouのeコマースサービスに適したエンドツーエンドのジェネレーティブレコメンデーションフレームワークである。
製品カード、ショートビデオ、ライブストリーミングなど、eコマースの複数のアイテム配信シナリオを統合する。
OneMallはすでにデプロイされており、Kuaishouでは毎日4億人のアクティブユーザーが利用している。
論文 参考訳（メタデータ） (2026-01-29T14:22:39Z) - Benchmarking Multimodal Large Language Models for Missing Modality Completion in Product Catalogues [19.732113077201326]
製品イメージの欠如やテキスト記述など、eコマースプラットフォーム上のモダリティの欠如は、しばしばアノテーションエラーや不完全なメタデータから生じる。
マルチモーダルな大規模言語モデルは、eコマースのシナリオで製品に欠けているモダリティを生成することができるか?
本稿では,コンテンツ品質コンプリートベンチマークと推奨ベンチマークの2つのサブベンチマークからなるMMPCBenchを提案する。
我々は、Qwen2.5-VLおよびGemma-3モデルファミリーから、9つの実世界のeコマースカテゴリーの6つの最先端MLLMを評価し、焦点を当てた。
論文 参考訳（メタデータ） (2026-01-27T16:13:26Z) - Bridging Modality Gaps in e-Commerce Products via Vision-Language Alignment [15.068156309599662]
我々は、画像から高品質な項目記述を生成するために、リスト作成のための好みベースのAI(OPAL)を提案する。
OPALは視覚的モダリティとテキスト的モダリティのギャップを埋め、より豊かで、より正確で、一貫性のあるアイテム記述を提供する。
この作業は自動リスティング最適化を推進し、eコマースプラットフォームにおけるスケーラブルで高品質なコンテンツ生成をサポートする。
論文 参考訳（メタデータ） (2025-08-13T18:22:53Z) - CTR-Driven Advertising Image Generation with Multimodal Large Language Models [53.40005544344148]
本稿では,Click-Through Rate (CTR) を主目的とし,マルチモーダル大言語モデル(MLLM)を用いた広告画像の生成について検討する。
生成した画像のCTRをさらに改善するため、強化学習(RL)を通して事前学習したMLLMを微調整する新たな報酬モデルを提案する。
本手法は,オンラインとオフラインの両方で最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2025-02-05T09:06:02Z) - Test-Time Optimization for Domain Adaptive Open Vocabulary Segmentation [15.941958367737408]
Seg-TTOはゼロショットでオープンなセマンティックセグメンテーションのためのフレームワークである。
このギャップに対処するために、セグメンテーション固有のテスト時間最適化にフォーカスします。
Seg-TTOは明確なパフォーマンス向上(いくつかのデータセットで最大27%のmIoU増加)を示し、新たな最先端の確立を実現している。
論文 参考訳（メタデータ） (2025-01-08T18:58:24Z) - Automatic Generation of Product-Image Sequence in E-commerce [46.06263129000091]
MUIsC(Multi-modality Unified Imagesequence)は、ルール違反を学習することで、すべてのカテゴリを同時に検出できる。
2021年12月までに、当社の AGPIS フレームワークは、約150万製品の高規格画像を生成し、13.6%の拒絶率を達成した。
論文 参考訳（メタデータ） (2022-06-26T23:38:42Z)
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。