論文の概要: Not Just a Subject: Capturing Adaptive Scene-Specific Variance for Visual Storytelling

• arxiv url: http://arxiv.org/abs/2610.22320v1
• Date: Thu, 15 Oct 2026 17:51:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.247851
• Title: Not Just a Subject: Capturing Adaptive Scene-Specific Variance for Visual Storytelling
• Title（参考訳）: 主題に限らず:視覚的ストーリーテリングのための適応的なシーン特有変数のキャプチャ
• Abstract要約: EOS-Storyは,テキストや視覚空間にまたがるシーン固有の適応とアイデンティティの整合性を調和させるフレームワークである。 テキスト空間では、物語をアイデンティティとシーンサブプロンプトに分離し、情報の希釈を防ぐが、これは外観の手がかりにアクセスできることなくシーンを離れる。 視覚空間では、アイデンティティとシーンの被写体間のスケールミスマッチにより、いくつかのアイデンティティトークンが繰り返し転送され、構造的アーティファクトが生成される。 アダプティブアイデンティティ保護(Adaptive Identity Preservation)は、シーン固有のスケール(Identity Anchoring)でアイデンティティ機能をアンロックし、アイデンティティを意識した自己認識を通じてそれらを統合します。
• 参考スコア（独自算出の注目度）: 10.72902335661491
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advancements in diffusion models have significantly improved text-to-image generation, enabling their application to visual storytelling, where coherent image sequences are generated from narrative prompts. However, existing methods primarily focus on identity preservation and often fail to adapt to diverse scene variations, resulting in semantic misalignment and structural inflexibility. We propose EOS-Story, a training-free framework that harmonizes identity consistency with scene-specific adaptation across text and vision spaces. In the text space, we decouple the narrative into identity and scene sub-prompts to prevent information dilution, but this leaves the scene without access to appearance cues. To bridge this gap, we introduce Cross-Contextual Bridging, which softly injects a phrase-level appearance residual into the scene's <EOS> embedding. In the vision space, we find that scale mismatch between identity and scene subjects causes a few identity tokens to be repeatedly transferred, producing structural artifacts. We address this with Adaptive Identity Preservation, which anchors identity features at the scene-specific scale (Identity Anchoring) and integrates them via Identity-Aware Self-Attention. To evaluate performance under varied spatial compositions, we extend the Consistory+ benchmark with diverse framing scenarios (Consistory+_+). Extensive experiments show that EOS-Story achieves competitive or superior performance on both benchmarks.
• Abstract（参考訳）: 近年の拡散モデルの進歩によりテキスト・画像生成が大幅に改善され、物語のプロンプトからコヒーレントな画像列を生成する視覚的ストーリーテリングへの応用が可能となった。 しかし、既存の手法は主にアイデンティティの保存に重点を置いており、しばしば多様なシーンのバリエーションに適応できず、意味的ミスアライメントと構造的非フレキシビリティをもたらす。 EOS-Storyは,テキストや視覚空間にまたがるシーン固有の適応とアイデンティティの整合性を調和させる,トレーニング不要のフレームワークである。 テキスト空間では、物語をアイデンティティとシーンサブプロンプトに分離し、情報の希釈を防ぐが、これは外観の手がかりにアクセスできることなくシーンを離れる。 このギャップを埋めるために、シーンの<EOS>埋め込みにフレーズレベルの残差をソフトに注入するクロスコンテキストブリッジを導入する。 視覚空間では、アイデンティティとシーンの被写体間のスケールミスマッチにより、いくつかのアイデンティティトークンが繰り返し転送され、構造的アーティファクトが生成される。 アダプティブアイデンティティ保護(Adaptive Identity Preservation)は、シーン固有のスケール(Identity Anchoring)でアイデンティティ機能をアンロックし、アイデンティティを意識した自己認識を通じてそれらを統合します。 様々な空間構成下での性能を評価するため,様々なフレーミングシナリオ(Consistory+_+)でConsistory+ベンチマークを拡張した。 大規模な実験により、EOS-Storyは両方のベンチマークで競争力または優れたパフォーマンスを達成することが示された。

関連論文リスト

• Latent-Identity Tuning in Text-to-Image Personalization Models [65.31471460269033]
  テキスト・ツー・イメージのパーソナライズ・モデルにおける詳細なアイデンティティチューニング手法を提案する。 通常の画像編集とは異なり、アイデンティティチューニングは特定のアイデンティティの潜在表現を変更する。 この空間と選択されたトークンによって定義された部分空間内で有意な方向を識別できることが示される。
  論文  参考訳（メタデータ） (2026-07-13T17:59:49Z)
• ReCap: Lightweight Referential Grounding for Coherent Story Visualization [11.022891519635834]
  ReCapは、基本拡散バックボーンを変更することなく、文字安定性と視覚的忠実性を改善する軽量な一貫性フレームワークである。 ReCap's CORE (Conditional frame Reference) モジュールは、アナポーを視覚的アンカーとして扱う。 我々は、ストーリーの可視化を、リアル映画から派生した人間中心の物語に拡張し、スタイル化された漫画ドメインを超えてReCapの能力を実証する。
  論文  参考訳（メタデータ） (2026-04-20T17:57:50Z)
• IdentityStory: Taming Your Identity-Preserving Generator for Human-Centric Story Generation [75.09818147405898]
  IdentityStoryは人間中心のストーリー生成のためのフレームワークで、シーケンシャルな画像間で一貫した文字識別を保証する。 アイデンティティ保存ジェネレータを使用することで、フレームワークはIterative Identity DiscoveryとRe-denoising Identity Injectionという2つの重要なコンポーネントを備えている。
  論文  参考訳（メタデータ） (2025-12-29T14:54:44Z)
• SceneDecorator: Towards Scene-Oriented Story Generation with Scene Planning and Scene Consistency [47.20554570948312]
  SceneDecorator は VLM-Guided Scene Planning を利用したトレーニングフリーのフレームワークであり、グローバル・ツー・ローカルな方法で異なるシーン間での物語の一貫性を確保する。 大規模な実験はSceneDecoratorの優れたパフォーマンスを示し、芸術、映画、ゲームの分野における創造性を解き放つ可能性を強調している。
  論文  参考訳（メタデータ） (2025-10-27T04:19:22Z)
• Consistent text-to-image generation via scene de-contextualization [48.19924216489272]
  一貫性テキスト・トゥ・イメージ(T2I)生成はIDシフトと呼ばれる現象のためにしばしば失敗する。 本稿では,主観的文脈とシーン的文脈の相関関係を,IDシフトの鍵となる要因として明らかにする。 本稿では,T2Iのシーンコンテキスト化をインバージョンするScene De-Conization(SDeC)を提案する。
  論文  参考訳（メタデータ） (2025-10-16T10:54:49Z)
• VisAgent: Narrative-Preserving Story Visualization Framework [5.86192577938549]
  VisAgentはトレーニング不要のフレームワークで、特定のストーリーの中で重要なシーンを理解し視覚化するように設計されている。 ストーリーの蒸留、セマンティック一貫性、コンテキストコヒーレンスを考慮することで、VisAgentはエージェントワークフローを採用している。 実証的に検証された有効性は、現実的なストーリービジュアライゼーションアプリケーションに対するフレームワークの適合性を確認する。
  論文  参考訳（メタデータ） (2025-03-04T08:41:45Z)
• When StyleGAN Meets Stable Diffusion: a $\mathscr{W}_+$ Adapter for Personalized Image Generation [60.305112612629465]
  テキストと画像の拡散モデルは、多種多様で高品質でフォトリアリスティックな画像を生成するのに優れている。 本稿では,拡散モデルのための拡張されたアイデンティティ保存とアンタングル化を実現するために,StyleGAN 埋め込み空間 $mathcalW_+$ の新たな利用法を提案する。 提案手法は,即時記述に適合するだけでなく,一般的なスタイルGAN編集方向に対応可能なパーソナライズされたテキスト・ツー・イメージ出力を生成する。
  論文  参考訳（メタデータ） (2023-11-29T09:05:14Z)
• Make-A-Story: Visual Memory Conditioned Consistent Story Generation [57.691064030235985]
  本稿では,アクタと背景コンテキストを暗黙的にキャプチャするビジュアルメモリモジュールを備えた,自己回帰拡散に基づく新しいフレームワークを提案する。 本手法は,視覚的品質の高いフレーム生成において,先行技術よりも優れていた。 MUGEN, PororoSV, FlintstonesSVデータセット上でのストーリー生成実験により, この手法は, 視覚的品質の高いフレーム生成において, 先行技術よりも優れるだけでなく, キャラクタと背景との適切な対応をモデル化した。
  論文  参考訳（メタデータ） (2022-11-23T21:38:51Z)

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。