論文の概要: Mine, Sample, Render: Test-Time Diversity Alignment Of Generative Models

• arxiv url: http://arxiv.org/abs/2610.21185v1
• Date: Thu, 15 Oct 2026 03:40:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.165317
• Title: Mine, Sample, Render: Test-Time Diversity Alignment Of Generative Models
• Title（参考訳）: Mine, Sample, Render: 生成モデルのテスト時間多様性アライメント
• Abstract要約: 生成モデルは高品質な個々の出力を生成するが、明示的に指示された場合でも、多彩なサンプリングに苦慮する。 MINE-SAMPLE-RENDER(MINE-SAMPLE-RENDER:MSR)は,多様性を明示的なコーパス由来のサンプリング手順に外部化するテストタイムアプローチである。
• 参考スコア（独自算出の注目度）: 7.37255498127232
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern generative models produce high-quality individual outputs but struggle to sample diversely, even when explicitly instructed to do so. We introduce MINE-SAMPLE-RENDER (MSR), a test-time approach that externalizes the diversity into an explicit, corpus-derived sampling procedure. Our pipeline (i) mines an interpretable categorical schema from a corpus of real artifacts and supplies statistics for sampling; (ii) samples attribute configurations from the corpus-derived statistics; (iii) uses a generative model purely as a conditional renderer of a sampled configuration. Across weather report generation, user simulation, webpage design, text-to-image generation, and agent-generated 3D assets, we evaluate the diversity and output quality of MSR-guided generation and show that MSR improves alignment with corpus distributions and diversity of generated outputs.
• Abstract（参考訳）: 現代の生成モデルは高品質な個々の出力を生成するが、明示的にそれを行うように指示された場合でも、多種多様なサンプリングに苦労する。 MINE-SAMPLE-RENDER(MINE-SAMPLE-RENDER、MSR)は,多様性を明示的なコーパス由来のサンプリング手順に外部化するテストタイムアプローチである。 パイプライン 一 実際の工芸品のコーパスから解釈可能な分類図をマイニングし、サンプリングのための統計を提供すること。 二 コーパス由来統計による属性構成のサンプル (iii) サンプル構成の条件付きレンダラーとして純粋に生成モデルを使用する。 天気予報生成,ユーザシミュレーション,Webページ設計,テキスト・ツー・イメージ生成,エージェント生成3Dアセットを通じて,MSR誘導生成の多様性と出力品質を評価し,MSRがコーパス分布と出力の多様性を改善したことを示す。

関連論文リスト

• From Sparse to Dense: Multi-View GRPO for Flow Models via Augmented Condition Space [78.36537400975298]
  グループ相対政策最適化(GRPO)は、テキスト・ツー・イメージ(T2I)フローモデルにおいて、優先順位調整のための強力なフレームワークとして登場した。 条件空間を拡大することで関係探索を強化する新しい手法であるMulti-View GRPOを提案する。 MV-GRPOは最先端手法よりも優れたアライメント性能を実現する。
  論文  参考訳（メタデータ） (2026-03-13T04:35:13Z)
• MEt3R: Measuring Multi-View Consistency in Generated Images [47.152540564255204]
  本稿では,生成画像におけるマルチビュー一貫性の指標であるMEt3Rを紹介する。 提案手法では,DUSt3Rを用いて画像対から高密度な3次元再構成をフィードフォワード方式で行う。
  論文  参考訳（メタデータ） (2025-01-10T20:43:33Z)
• LayoutDM: Transformer-based Diffusion Model for Layout Generation [0.6445605125467572]
  高品質な画像を生成するためにトランスフォーマーベース拡散モデル(DDPM)を提案する。 雑音配置データからサンプルを生成するために,トランスフォーマを用いた条件付きレイアウトデノイザを提案する。 本手法は, 品質と多様性の観点から, 最先端の生成モデルより優れる。
  論文  参考訳（メタデータ） (2023-05-04T05:51:35Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Generating Multivariate Load States Using a Conditional Variational Autoencoder [11.557259513691239]
  本稿では,条件付き可変オートエンコーダ(CVAE)ニューラルネットワークを提案する。 このモデルは与えられた潜在ベクトルの下での出力サンプルの潜時変化を含み、この出力変数のパラメータを共最適化する。 実験により、提案したジェネレータは、他のデータ生成メカニズムより優れていることが示された。
  論文  参考訳（メタデータ） (2021-10-21T19:07:04Z)
• PixelTransformer: Sample Conditioned Signal Generation [60.764218381636184]
  本研究では,スパース試料に条件付き信号の分布を推定できる生成モデルを提案する。 逐次自己回帰生成モデルとは対照的に,任意のサンプルに対する条件付けが可能であり,任意の場所に対する分散クエリに答えることができる。
  論文  参考訳（メタデータ） (2021-03-29T17:59:33Z)
• How Faithful is your Synthetic Data? Sample-level Metrics for Evaluating and Auditing Generative Models [95.8037674226622]
  ドメインに依存しない方法で生成モデルの忠実度,多様性,一般化性能を特徴付ける3次元評価指標を提案する。 当社のメトリクスは、精度リコール分析により統計的発散測定を統合し、モデル忠実度と多様性のサンプルおよび分布レベルの診断を可能にします。
  論文  参考訳（メタデータ） (2021-02-17T18:25:30Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)

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。