論文の概要: Kingfisher: Fast Personalized Visual Autoregressive Generation via Scale-Aware Prompt-Conditioned Scale Decomposition

• arxiv url: http://arxiv.org/abs/2610.23238v1
• Date: Fri, 16 Oct 2026 10:06:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.862207
• Title: Kingfisher: Fast Personalized Visual Autoregressive Generation via Scale-Aware Prompt-Conditioned Scale Decomposition
• Title（参考訳）: Kingfisher: 高速なパーソナライズされた視覚自己回帰生成
• Abstract要約: 我々はKingfisherを紹介した。Kingfisherは、初期の残留スケールコードをコンテントおよびスタイル関連のコンポーネントに分解する、モデルチューニング不要のフレームワークである。 CSD-100の実験では、Kingfisherは強いコンテンツ保存と最高のスタイルとテキストアライメントを実現している。 その結果,凍結した視覚的自己回帰生成器の空間空間表現を直接操作することで,効果的なパーソナライゼーションを実現することができた。
• 参考スコア（独自算出の注目度）: 15.344415372589504
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalized image generation has been extensively studied in diffusion models, often relying on subject-specific optimization of model weights, textual embeddings, LoRA modules, or adapters. In this work, we explore a different direction for fast personalization in visual autoregressive models. Our key observation is that a short prefix of early autoregressive scale codes is sufficient to strongly determine both object structure and global appearance, while later scales primarily refine the established generation trajectory. Based on this insight, we introduce Kingfisher, a model-tuning-free framework that decomposes early residual scale codes into content- and style-related components through prompt-conditioned scale-code subspaces. Given two real images, Kingfisher first decomposes their early scale codes, then recomposes the content components of one image with the style components of the other into a compact semantic prefix. The frozen generator subsequently predicts the remaining scales through bitwise self-correction for coherent refinement. Experiments on CSD-100 show that Kingfisher achieves strong content preservation and the highest style and text alignment among the evaluated methods, while reducing pair-specific preparation time by approximately 54x compared with diffusion-based methods and 7.5x compared with VAR-based alternatives. These results demonstrate that effective personalization can be achieved by directly manipulating the native scale-space representation of a frozen visual autoregressive generator.
• Abstract（参考訳）: パーソナライズされた画像生成は拡散モデルにおいて広く研究されており、しばしばモデルウェイト、テキスト埋め込み、LoRAモジュール、アダプタの主題固有の最適化に依存している。 本研究では、視覚的自己回帰モデルにおける高速なパーソナライズのための異なる方向を探索する。 我々のキーとなる観察は、初期の自己回帰的スケールコードの短いプレフィックスは、オブジェクト構造とグローバルな外観の両方を強く決定するのに十分である。 この知見に基づき、我々はKingfisherを紹介した。Kingfisherは、初期残留スケールコードを、プロンプト条件付きスケールコードサブスペースを通じて、コンテントおよびスタイル関連コンポーネントに分解する、モデルチューニングフリーのフレームワークである。 2つの実際のイメージが与えられた後、Kingfisherはまず初期スケールのコードを分解し、その後、一方のイメージのコンテンツコンポーネントともう一方のスタイルコンポーネントをコンパクトなセマンティックプレフィックスに再分解する。 冷凍発電機はその後、コヒーレント精製のためのビットワイズ自己補正により残りのスケールを予測する。 CSD-100における実験により,Kingfisherは,VAR法に比べて約54倍,VAR法に比べて7.5倍のペア比作成時間を短縮し,高いコンテンツ保存と高いスタイルとテキストアライメントを実現していることが示された。 これらの結果から,凍結した視覚自己回帰生成器の自然空間表現を直接操作することで,効果的なパーソナライゼーションを実現することができることが示された。

関連論文リスト

• CopyCat: Improving Fine-Grained Subject Consistency in Subject-to-Image Models within Seconds [52.84219088497834]
  CopyCatは軽量なモデルリファインメントフレームワークで、わずか数秒で詳細な被写体一貫性を改善する。 DreamBench と XVerseBench の実験では、対象物から対象物までの対象物間の微粒化一貫性が一貫した改善を示した。
  論文  参考訳（メタデータ） (2026-08-01T13:49:03Z)
• Unified Multimodal Autoregressive Modeling with Shared Context-Visual Tokenizer is Key to Unification [80.62512020268626]
  UniARは統合された自己回帰フレームワークであり、単一のビジュアルトークン化器が理解と生成の鍵となる。 UniARは、マルチレベル特徴融合とルックアップフリービットワイド量子化スキームを備えた事前訓練されたビジョンエンコーダを適応する。 拡散に基づく視覚デコーダは、離散的な視覚トークンで高忠実度画像をデコードする。
  論文  参考訳（メタデータ） (2026-06-16T17:59:22Z)
• Scaling Text-to-Image Diffusion Transformers with Representation Autoencoders [74.72147962028265]
  表現オートエンコーダ(RAE)は、ImageNet上で拡散モデリングにおいて明確な利点を示している。 本稿では,このフレームワークが大規模でフリーフォームなテキスト・ツー・イメージ(T2I)生成に拡張できるかどうかを検討する。
  論文  参考訳（メタデータ） (2026-01-22T18:58:16Z)
• Generating an Image From 1,000 Words: Enhancing Text-to-Image With Structured Captions [33.440447854396446]
  我々は、長文の字幕上で、最初のオープンソーステキスト・ツー・イメージモデルを訓練する。 長いキャプションを効率的に処理するために,DimFusionを提案する。 また,テキスト・アズ・ア・ブートネック・コンストラクション(TaBR)の評価プロトコルについても紹介する。
  論文  参考訳（メタデータ） (2025-11-10T09:25:25Z)
• Re-Densification Meets Cross-Scale Propagation: Real-Time Neural Compression of LiDAR Point Clouds [83.39320394656855]
  LiDARポイントクラウドは、様々なアプリケーションに基本的だが、高精度スキャンは、かなりのストレージと送信オーバーヘッドを発生させる。 既存の手法では、非順序の点を階層的なオクツリーやボクセル構造に変換して、密度から疎い予測符号化を行うのが一般的である。 筆者らのフレームワークは2つの軽量モジュールから構成されている。まず、Geometry Re-Densification Moduleがエンコードされたスパース幾何を再認識し、より密なスケールで特徴を抽出し、予測符号化のための特徴を再分離する。
  論文  参考訳（メタデータ） (2025-08-28T06:36:10Z)
• FlowAR: Scale-wise Autoregressive Image Generation Meets Flow Matching [34.112157859384645]
  本稿では,合理化スケール設計を特徴とする次世代のスケール予測手法であるFlowARを紹介する。 これにより、VARの複雑なマルチスケール残留トークン化器が不要になる。 課題であるImageNet-256ベンチマークにおけるFlowARの有効性を検証する。
  論文  参考訳（メタデータ） (2024-12-19T18:59:31Z)

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。