論文の概要: Agentic Image Generation in the Wild

• arxiv url: http://arxiv.org/abs/2610.23269v1
• Date: Fri, 16 Oct 2026 10:41:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.878545
• Title: Agentic Image Generation in the Wild
• Title（参考訳）: 野生におけるエージェント画像生成
• Abstract要約: エージェント画像生成は、画像生成装置と検索エージェントとをペアにして、Webから参照を検索する。 この設定では、Webは限られた視覚的証拠を提供し、検索結果は容易に混乱したエンティティで混雑しており、ターゲットが単独で表示されることは滅多にない。 私たちは、最近の見出しからプロンプトを合成する自動パイプラインを構築し、実際の検索結果が非常に混乱しているものだけを保持します。 次に、エージェントがまずテキスト検索によってターゲットのアイデンティティをピンダウンし、複数のソースに対して候補画像を確認し、最後にクリーンな参照を取得するパラダイムであるLocate-Corroborate-Isolateを提案する。
• 参考スコア（独自算出の注目度）: 58.21387297933928
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agentic image generation pairs an image generator with a search agent that retrieves references from the web, extending generation beyond the generator's training data. Real-world requests, however, often concern entities that appeared only days ago. We call this setting Image Generation in the Wild. In this setting, the web offers limited visual evidence, search results are crowded with easily confused entities, and the target is rarely shown on its own. To study this setting, we build an automated pipeline that synthesizes prompts from recent headlines and keeps only those whose real search results are highly confusing, yielding requests that are hard to solve yet natural to ask. With it, we construct Savanna, a benchmark of 500 prompts across 16 subcategories. On Savanna, even harness frameworks built on the frontier models retrieve a correct reference for only about half of the prompts. We then propose Locate-Corroborate-Isolate, a paradigm in which the agent first pins down the target's identity through text search, then verifies candidate images against multiple sources, and finally crops a clean reference for the generator. Trained on 15K trajectories that follow this paradigm, Ranger-8B achieves a search score of 67.2, outperforming harnesses equipped with frontier models. It also achieves the best generation quality with every generator we test, and surpasses prior agentic methods on other image generation benchmarks. We release the pipeline, benchmark, training data and model at https://github.com/RUCAIBox/Agentic-ImageGen-Wild.
• Abstract（参考訳）: エージェント画像生成は、イメージジェネレータと検索エージェントをペアにして、Webから参照を取得し、ジェネレータのトレーニングデータを超えて生成を拡張する。 しかし、実世界のリクエストは、数日前に現れたエンティティに関するものが多い。 私たちはこの設定イメージ生成をワイルドと呼ぶ。 この設定では、Webは限られた視覚的証拠を提供し、検索結果は容易に混乱したエンティティで混雑しており、ターゲットが単独で表示されることは滅多にない。 この設定を研究するために、我々は最近の見出しからプロンプトを合成する自動パイプラインを構築し、実際の検索結果が極めて紛らわしいものだけを保持し、解決が困難で要求の自然な要求をもたらす。 これにより、16のサブカテゴリにわたる500のプロンプトのベンチマークであるSavannaを構築します。 サバンナでは、フロンティアモデル上に構築されたフレームワークでさえ、プロンプトの約半分で正しい参照を取得する。 次に,テキスト検索によってターゲットの身元を識別し,複数のソースに対して候補画像を検証し,最終的に生成元のクリーンな参照を抽出するパラダイムであるLocate-Corroborate-Isolateを提案する。 このパラダイムを踏襲する15K軌道で訓練されたRanger-8Bは67.2の探索スコアを達成し、フロンティアモデルを装備したハーネスを上回っている。 また、テスト対象のジェネレータで最高の生成品質を実現し、他の画像生成ベンチマークで以前のエージェントメソッドを上回ります。 パイプライン、ベンチマーク、トレーニングデータ、モデルをhttps://github.com/RUCAIBox/Agentic-ImageGen-Wild.comでリリースします。

関連論文リスト

• Search Beyond What Can Be Taught: Evolving the Knowledge Boundary in Agentic Visual Generation [83.53893718885796]
  ビジュアルジェネレータはレンダリングに優れていますが、彼らが知らないものを確実に作り出します。 我々は、12の障害カテゴリと22のドメインにまたがる20,839のプロンプトを備えたSearchGen-20KとSearchGen-Benchを構築した。 SearchGen-Benchでは、フロンティアのオープンジェネレータは100点中21点から28点に過ぎず、40点の崩壊は既存のベンチマークには見えない。
  論文  参考訳（メタデータ） (2026-07-06T17:56:12Z)
• Gen-Searcher: Reinforcing Agentic Search for Image Generation [27.075835154806025]
  我々はGen-Searcherを画像生成エージェントを訓練する最初の試みとして紹介する。 我々は,画像生成に検索対象外的知識を明示的に要求するベンチマークであるKnowGenを紹介する。 実験の結果、Gen-SearcherはQwen-ImageをKnowGenで16ポイント改善し、WISEで15ポイント改善した。
  論文  参考訳（メタデータ） (2026-03-30T17:59:56Z)
• Re-Imagen: Retrieval-Augmented Text-to-Image Generator [58.60472701831404]
  検索用テキスト・ツー・イメージ・ジェネレータ(再画像) 検索用テキスト・ツー・イメージ・ジェネレータ(再画像)
  論文  参考訳（メタデータ） (2022-09-29T00:57:28Z)

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。