論文の概要: Blame Errant Words, Not the Canvas: Defect-Aware Spatial Credit Assignment for Visual Text Generation

• arxiv url: http://arxiv.org/abs/2610.20794v1
• Date: Wed, 14 Oct 2026 18:38:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.021554
• Title: Blame Errant Words, Not the Canvas: Defect-Aware Spatial Credit Assignment for Visual Text Generation
• Title（参考訳）: ビジュアルテキスト生成のための欠陥認識型空間クレジットアサインメント
• Abstract要約: 障害対応地域目標報酬モデルであるmathbfTextDART$を紹介した。 $mathbfSCANNER$は、これらの地域の判断を空間的に異なるポリシーフィードバックに変換する。 本手法は,テキストの精度とグリフの忠実度において,最先端の性能を実現する。
• 参考スコア（独自算出の注目度）: 27.78814852251499
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent reinforcement learning approaches have improved visual text generation, yet generated images still suffer from incorrect wording and malformed glyphs. We identify two coupled limitations: recognition-based rewards often overlook visible glyph defects, while whole-image scalar feedback obscures the uneven quality of individual text regions. These limitations motivate our central principle: $\textit{Blame errant words, not the canvas}$, to effectively preserve local quality distinctions. First, we introduce $\mathbf{TextDART}$, a defect-aware region-targeted reward model that localizes individual text regions and independently evaluates their semantic correctness and glyph quality, providing fine-grained, region-precise feedback. Building on TextDART, we propose $\mathbf{SCANNER}$, which turns these regional judgments into spatially differentiated policy feedback. It normalizes rewards for each text target across sampled images and casts the resulting regional advantages onto the corresponding latent tokens. Extensive experiments on existing benchmarks and our newly established $\textbf{PolyText-Bench}$ demonstrate that our approach achieves state-of-the-art performance in text accuracy and glyph fidelity. Project page: https://sujiehu.github.io/textdart-scanner
• Abstract（参考訳）: 最近の強化学習手法は、視覚テキスト生成を改善するが、生成した画像は、いまだに誤語と不正なグリフに悩まされている。 認識に基づく報酬は、しばしば目に見えるグリフ欠陥を見落とし、画像全体のスカラーフィードバックは、個々のテキスト領域の不均一な品質を曖昧にする。 これらの制限は我々の中心的な原則を動機付けている: $\textit{Blame errant words, not the canvas}$ は、局所的な品質の区別を効果的に維持する。 まず、個々のテキスト領域をローカライズし、その意味的正しさとグリフの品質を独立に評価し、きめ細かい領域精度のフィードバックを提供する欠陥対応領域目標報酬モデルである$\mathbf{TextDART}$を紹介する。 TextDART上に構築した$\mathbf{SCANNER}$は,これらの地域判断を空間的に異なるポリシーフィードバックに変換する。 サンプル画像間でテキストターゲット毎の報酬を正規化し、その結果の地域的利点を対応する潜在トークンにキャストする。 既存のベンチマークと新たに確立した$\textbf{PolyText-Bench}$に対する大規模な実験により,本手法がテキストの精度とグリフの忠実さで最先端のパフォーマンスを達成することを示す。 プロジェクトページ: https://sujiehu.github.io/textdart-scanner

関連論文リスト

• TextRefine: Improving Textual Fidelity, Spatial Placement, and Glyph Rendering for Text Editing in Product Posters [14.200794184177829]
  製品ポスターのテキスト編集には、新しいテキストを挿入したり、既存のテキストを置き換えたり、製品の外観、背景コンテンツ、グローバルな構成を保存する必要がある。 textbfTextRefineは、教師付き微調整と操作固有の報酬最適化を組み合わせて、これらの相補的な障害モードに対処するタスク整列後トレーニングフレームワークである。 テキスト挿入において,テキスト・スパンレベルの報酬は意味的忠実度とターゲット・スパンのカバレッジを共同で評価し,製品と既存のテキストとの空間的衝突をペナルティ化し,非テキスト領域の保存にゲート構造制約を用いる。 テキスト置換では、グリフレベルの報酬はコネクショニストの時間的分類を利用する。
  論文  参考訳（メタデータ） (2026-08-20T05:07:51Z)
• UniGlyph: Unified Segmentation-Conditioned Diffusion for Precise Visual Text Synthesis [38.658170067715965]
  画素レベルの視覚テキストマスクを統一された条件入力として用いるセグメンテーション誘導フレームワークを提案する。 提案手法は,AnyTextベンチマークの最先端性能を実現する。 レイアウトテストのためのGlyphMM-benchmarkと、小規模テキスト領域における生成品質の評価のためのMiniText-benchmarkの2つの新しいベンチマークも導入した。
  論文  参考訳（メタデータ） (2025-07-01T17:42:19Z)
• CLIM: Contrastive Language-Image Mosaic for Region Representation [58.05870131126816]
  Contrastive Language-Image Mosaic (CLIM) は、領域とテキストの表現を整合させる新しいアプローチである。 CLIMは、異なるオープン語彙オブジェクト検出方法を一貫して改善する。 視覚言語モデルの領域表現を効果的に強化することができる。
  論文  参考訳（メタデータ） (2023-12-18T17:39:47Z)
• SpaText: Spatio-Textual Representation for Controllable Image Generation [61.89548017729586]
  SpaTextはオープン語彙シーン制御を用いたテキスト・ツー・イメージ生成の新しい手法である。 シーン全体を記述したグローバルテキストプロンプトに加えて、ユーザはセグメンテーションマップを提供する。 現状拡散モデルである画素ベースと潜在条件ベースでの有効性を示す。
  論文  参考訳（メタデータ） (2022-11-25T18:59:10Z)
• Toward Understanding WordArt: Corner-Guided Transformer for Scene Text Recognition [63.6608759501803]
  我々は芸術的テキストを3つのレベルで認識することを提案する。 コーナーポイントは、文字内の局所的な特徴の抽出を誘導するために用いられる。 第二に、文字レベルの特徴をモデル化するために文字の対照的な損失を設計し、文字分類のための特徴表現を改善する。 第3に,Transformerを用いて画像レベルのグローバルな特徴を学習し,コーナーポイントのグローバルな関係をモデル化する。
  論文  参考訳（メタデータ） (2022-07-31T14:11:05Z)
• TextAdaIN: Fine-Grained AdaIN for Robust Text Recognition [3.3946853660795884]
  テキスト認識では、ネットワークが過度に依存しているローカルイメージ統計であることを明らかにします。 テキスト認識性能を向上させるために,局所統計の信頼度を規制する手法を提案する。 提案手法はTextAdaINと呼ばれ,特徴マップに局所歪みを生じさせ,ネットワークが局所統計に過度に適合しないようにする。
  論文  参考訳（メタデータ） (2021-05-09T10:47:48Z)
• AE TextSpotter: Learning Visual and Linguistic Representation for Ambiguous Text Spotting [98.08853679310603]
  本研究はAmbiguity Elimination Text Spotter(AE TextSpotter)という新しいテキストスポッターを提案する。 AE TextSpotterは、視覚的特徴と言語的特徴の両方を学び、テキスト検出の曖昧さを著しく低減する。 我々の知る限り、言語モデルを用いてテキスト検出を改善するのはこれが初めてである。
  論文  参考訳（メタデータ） (2020-08-03T08:40:01Z)
• ContourNet: Taking a Further Step toward Accurate Arbitrary-shaped Scene Text Detection [147.10751375922035]
  本研究では,シーンテキストの偽陽性と大規模分散を効果的に処理するContourNetを提案する。 本手法は,両方向の応答値の高い予測を出力するだけで,これらの偽陽性を効果的に抑制する。
  論文  参考訳（メタデータ） (2020-04-10T08:15:23Z)

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。