論文の概要: MOSS-Image Technical Report
- arxiv url: http://arxiv.org/abs/2610.23374v1
- Date: Fri, 16 Oct 2026 12:27:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.912532
- Title: MOSS-Image Technical Report
- Title（参考訳）: MOSS- Image Technical Report
- Abstract要約: 我々は,高忠実度視覚合成と意図認識合成を組み合わせたオープンジェネレーションシステムであるMOSS-Imageを紹介する。
まず、5Bの単一ストリーム拡散変換器(DiT)をスクラッチから事前訓練し、バイリンガル長文のレンダリングと正確なレイアウト制御を可能にする。
本研究では,多種多様なユーザ要求を詳細なコンテンツやレイアウト仕様に反映する,意図認識型エージェント・プロンプト・プロンプト・エンハンスメント(PE)モジュールを開発した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent closed-source image generation systems can produce diverse visual content from simple compositions to information-dense graphics, yet open-weight text-to-image models still struggle with dense text and intricate layouts. To narrow this gap, we introduce MOSS-Image, an open generation system that combines high-fidelity visual synthesis with intent-aware composition. First, we pretrain a 5B single-stream diffusion transformer (DiT) from scratch with a carefully designed recipe, enabling bilingual long-form text rendering and precise layout control. Second, we develop an intention-aware agentic prompt enhancement (PE) module that translates diverse user requests into detailed content and layout specifications. Together, they enable MOSS-Image to generate text-rich and layout-coherent images. We further introduce LongLongTextBench (LLTB) for evaluating long-form English and Chinese text rendering, and RealLayoutArena (RLA) for end-to-end layout-rich generation. MOSS-Image achieves state-of-the-art performance among open-weight models on LLTB, with an average text coverage of 96.3%. On RLA, MOSS-Image ranks second in the end-to-end system comparison, while its backbone ranks first among generators evaluated with shared enhanced prompts. We will release the model, training recipe, and evaluation framework to support further research and promote the text-to-image community.
- Abstract（参考訳）: 最近のクローズドソース画像生成システムは、単純な合成から情報密度グラフィックスまで多様なビジュアルコンテンツを生成できるが、オープンウェイトなテキスト・ツー・イメージモデルでは、高密度テキストや複雑なレイアウトに苦戦している。
このギャップを狭めるために,高忠実度視覚合成と意図認識合成を組み合わせたオープン・ジェネレーション・システムであるMOSS-Imageを導入する。
まず、5Bの単一ストリーム拡散変換器(DiT)をスクラッチから事前訓練し、バイリンガル長文のレンダリングと正確なレイアウト制御を可能にする。
第2に,多様なユーザ要求を詳細なコンテンツやレイアウト仕様に変換する,意図認識型エージェントプロンプト拡張(PE)モジュールを開発した。
これにより、MOSS-Imageはテキストリッチかつレイアウトコヒーレントな画像を生成することができる。
さらに,LongLongTextBench (LLTB) を長文・中国語のテキストレンダリング評価用として,RealLayoutArena (RLA) をエンド・ツー・エンドのレイアウトリッチな生成用として導入する。
MOSS-ImageはLLTB上でのオープンウェイトモデルの最先端のパフォーマンスを実現しており、平均テキストカバレッジは96.3%である。
RLAでは、MOSS-Imageはエンドツーエンドのシステム比較で第2位、背骨は共有強化プロンプトで評価されたジェネレータの中で第1位である。
我々は、さらなる研究を支援し、テキスト・ツー・イメージ・コミュニティを促進するためのモデル、トレーニング・レシピ、評価・フレームワークをリリースする。
関連論文リスト
- 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) - Prompt-Consistency Image Generation (PCIG): A Unified Framework Integrating LLMs, Knowledge Graphs, and Controllable Diffusion Models [20.19571676239579]
生成した画像と対応する記述とのアライメントを強化するための,拡散に基づく新しいフレームワークを提案する。
この枠組みは不整合現象の包括的解析に基づいて構築され,画像の表示に基づいて分類する。
次に、最先端の制御可能な画像生成モデルとビジュアルテキスト生成モジュールを統合し、元のプロンプトと整合した画像を生成する。
論文 参考訳（メタデータ） (2024-06-24T06:12:16Z) - AnyTrans: Translate AnyText in the Image with Large Scale Models [88.5887934499388]
本稿では、画像中のタスク翻訳AnyText(TATI)のためのオール・エンコンパス・フレームワークであるAnyTransを紹介する。
我々のフレームワークは、翻訳中にテキスト要素と視覚要素の両方から文脈的手がかりを取り入れている。
6つの言語対の多言語テキスト画像翻訳データからなるMTIT6というテストデータセットを精巧にコンパイルした。
論文 参考訳（メタデータ） (2024-06-17T11:37:48Z) - UNIMO-G: Unified Image Generation through Multimodal Conditional Diffusion [36.06457895469353]
UNIMO-Gは条件付き拡散フレームワークであり、インターリーブされたテキストと視覚入力を持つマルチモーダルプロンプトで動作する。
テキスト・ツー・イメージ生成とゼロショット・テーマ駆動合成の両面で優れている。
論文 参考訳（メタデータ） (2024-01-24T11:36:44Z) - InternLM-XComposer: A Vision-Language Large Model for Advanced
Text-image Comprehension and Composition [111.65584066987036]
InternLM-XComposerは、高度な画像テキストの理解と合成を可能にする視覚言語による大規模モデルである。
シームレスに画像を統合するコヒーレントでコンテキスト的な記事を生成することができる。
画像がコンテンツを強化するテキスト内の領域をインテリジェントに識別し、最も適切な視覚的候補を自動的に挿入する。
論文 参考訳（メタデータ） (2023-09-26T17:58:20Z) - Generating Images with Multimodal Language Models [78.6660334861137]
本稿では,凍結したテキストのみの大規模言語モデルを,事前学習した画像エンコーダとデコーダモデルで融合する手法を提案する。
本モデルでは,画像検索,新しい画像生成,マルチモーダル対話など,多モーダルな機能群を示す。
論文 参考訳（メタデータ） (2023-05-26T19:22:03Z)
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。