論文の概要: SCOPE: Semantic Bounded Credit Optimization for Prompt Engineering in Text-to-image Generation

• arxiv url: http://arxiv.org/abs/2610.22264v1
• Date: Thu, 15 Oct 2026 17:30:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.226808
• Title: SCOPE: Semantic Bounded Credit Optimization for Prompt Engineering in Text-to-image Generation
• Title（参考訳）: SCOPE:テキスト・画像生成におけるプロンプトエンジニアリングのためのセマンティック・バウンド・クレジット最適化
• Abstract要約: 強化学習 (Reinforcement Learning, RL) により、凍結画像生成装置の書き直しプロンプトにより、言語モデルによるテキスト・ツー・イメージ(T2I)生成を改善することができる。 グループ相対政策最適化(GRPO)に基づく目的であるSCOPEを提案し、更新重み付けをこの構造と整合させる。 SCOPEプールは各スパン内のポリシーログ確率をシフトし、トークン損失の共有係数を導出すると同時に、各完了に対する単一優位性を保持する。
• 参考スコア（独自算出の注目度）: 88.26268420879614
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reinforcement learning (RL) enables language models to improve text-to-image (T2I) generation by rewriting prompts for a frozen image generator. Existing methods typically apply a single signal derived from the image to individual subword tokens, although objects, counts, attributes, and relations form coherent semantic spans. We propose SCOPE, an objective based on Group Relative Policy Optimization (GRPO) that aligns update weighting with this structure. The rewriter jointly generates an enhanced prompt and its semantic partition. SCOPE pools shifts in policy log probabilities within each span to derive a shared coefficient for its token losses while retaining a single advantage for each completion. It requires neither separate span rewards nor additional image renders. Across Qwen-Image, SD3, and FLUX.1-dev, SCOPE achieves average relative gains over vanilla GRPO of 9.48% on GeneVal and 7.62% on T2I-CompBench. Ablation studies show that both semantic boundaries and pooling within spans contribute to these gains, supporting semantic structure as a practical inductive bias for prompt engineering with RL.
• Abstract（参考訳）: 強化学習 (Reinforcement Learning, RL) により、凍結画像生成装置の書き直しプロンプトにより、言語モデルによるテキスト・ツー・イメージ(T2I)生成を改善することができる。 既存の手法では、イメージから派生した単一信号が個々のサブワードトークンに適用されるのが一般的だが、オブジェクト、カウント、属性、関係はコヒーレントなセマンティックスパンを形成する。 グループ相対政策最適化(GRPO)に基づく目的であるSCOPEを提案し、更新重み付けをこの構造と整合させる。 リライターは、拡張プロンプトとそのセマンティックパーティションを共同で生成する。 SCOPEプールは各スパン内のポリシーログ確率をシフトし、トークン損失の共有係数を導出すると同時に、各完了に対する単一優位性を保持する。 個別のスパン報酬も追加のイメージレンダリングも必要としない。 Qwen-Image、SD3、FLUX.1-dev全体で、SCOPEはベニラGRPOを9.48%、T2I-CompBenchを7.62%上回った。 アブレーション研究では、スパン内のセマンティックバウンダリとプーリングの両方がこれらの利得に寄与し、RLを用いた迅速な工学のための実用的な帰納的バイアスとしてセマンティック構造をサポートすることが示されている。

関連論文リスト

• ResTok: Learning Hierarchical Residuals in 1D Visual Tokenizers for Autoregressive Image Generation [64.84095852784714]
  Residual Tokenizer (ResTok)は、画像トークンと潜在トークンの両方の階層的残基を構築する1Dビジュアルトークンライザである。 視覚的トークン化における階層的残差の復元はAR画像生成を著しく改善し,ImageNet-256ではわずか9ステップで2.34gFIDを達成した。
  論文  参考訳（メタデータ） (2026-01-07T14:09:18Z)
• SETR: A Two-Stage Semantic-Enhanced Framework for Zero-Shot Composed Image Retrieval [4.230223288110963]
  Zero-shot Composed Image Retrieval (ZS-CIR)は、トリプルトアノテーションに頼ることなく、参照画像と相対テキストが与えられたターゲット画像を取得することを目的としている。 既存のCLIPベースの手法では、(1)組合ベースの特徴融合は、意図した変更を希釈する無関係な背景の詳細を担いながら、すべての視覚的手がかりを無差別に集約し、(2)CLIP埋め込みからのグローバルなコサイン類似性は、きめ細かいセマンティックな関係を解く能力に欠ける。
  論文  参考訳（メタデータ） (2025-09-30T09:41:52Z)
• Compile Scene Graphs with Reinforcement Learning [69.36723767339001]
  次世代予測は大規模言語モデル(LLM)の訓練の基本原理である 本稿では,マルチモーダルLLM(M-LLM)であるR1-SGGを紹介する。 私たちは、Hard Recall、Hard Recall+Relax、Soft Recallの3つのリコールベースのバリエーションを含む、グラフ中心の報酬セットを設計します。
  論文  参考訳（メタデータ） (2025-04-18T10:46:22Z)
• A Framework For Image Synthesis Using Supervised Contrastive Learning [14.016543383212706]
  テキスト・ツー・イメージ(T2I)生成は、テキスト記述に対応する現実的な画像を作成することを目的としている。 本稿では,ラベルガイド付き教師付きコントラスト学習による内部モーダル対応と内部モーダル対応の両面を活用したフレームワークを提案する。 我々は、単一オブジェクトデータセットCUBと多オブジェクトデータセットCOCOの2つの新しいT2I GANのフレームワークを実証する。
  論文  参考訳（メタデータ） (2024-12-05T08:15:37Z)
• Spatial Semantic Recurrent Mining for Referring Image Segmentation [63.34997546393106]
  高品質なクロスモーダリティ融合を実現するために,Stextsuperscript2RMを提案する。 これは、言語特徴の分散、空間的意味的再帰的分離、パーセマンティック・セマンティック・バランシングという三部作の作業戦略に従う。 提案手法は他の最先端アルゴリズムに対して好適に機能する。
  論文  参考訳（メタデータ） (2024-05-15T00:17:48Z)
• Improving fine-grained understanding in image-text pre-training [37.163228122323865]
  SPARse Fine-fine Contrastive Alignment (SPARC) は、画像とテキストのペアからよりきめ細かなマルチモーダル表現を事前学習する簡単な方法である。 粗い情報に依存した画像レベルのタスクに対して、競合するアプローチよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-18T10:28:45Z)
• TLDR: Text Based Last-layer Retraining for Debiasing Image Classifiers [15.719654178563252]
  グループバランスデータセットを用いたLast Layer Retraining(LLR)は,分類器の素早い相関を緩和する上で,効率的であることが示されている。 本研究では,大言語モデルで構築されたテキストデータセットをベースとしたLLRによる画像分類手法を提案する。 この手法をTLDR (Text-based Last layer retraining for Debiasing image classifieRs) と呼び,LLR法と競合する性能を示す。
  論文  参考訳（メタデータ） (2023-11-30T06:51:48Z)
• CyCLIP: Cyclic Contrastive Language-Image Pretraining [34.588147979731374]
  ペア画像テキストデータに対するコントラスト表現学習の最近の進歩は、ゼロショット分類と分布ロバスト性のための最先端性能を達成するCLIPのようなモデルにつながっている。 我々は、標準のコントラスト目的によって学習された画像とテキストの表現が交換不可能であり、不整合な下流予測につながることを実証した。 画像やテキスト空間で幾何学的に一貫した表現を明示的に最適化するコントラスト表現学習フレームワークであるCyCLIPを提案する。
  論文  参考訳（メタデータ） (2022-05-28T15:31:17Z)
• Seed the Views: Hierarchical Semantic Alignment for Contrastive Representation Learning [116.91819311885166]
  一つの画像から生成されたビューをtextbfCross-samples や Multi-level representation に拡張することで,階層的なセマンティックアライメント戦略を提案する。 提案手法はCsMlと呼ばれ,サンプル間の多層視覚表現を堅牢な方法で統合する機能を備えている。
  論文  参考訳（メタデータ） (2020-12-04T17:26:24Z)

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。