論文の概要: Reflection-Guided Dynamics Rectification for Text-to-Image Generation
- arxiv url: http://arxiv.org/abs/2610.25139v1
- Date: Sun, 18 Oct 2026 09:47:08 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-20 22:11:02.739891
- Title: Reflection-Guided Dynamics Rectification for Text-to-Image Generation
- Title（参考訳）: テキスト・画像生成のためのリフレクションガイド型動的レクリエーション
- Abstract要約: 限定的な追加予算の下で既存の世代をきめ細かい修正することは、テスト時間最適化の鍵となる問題である。
反射誘導型ダイナミクス整流法(RGDR)を提案する。
RGDRは、完了した出力に対する反射を、ダイナミックスをサンプリングするプロセスの修正的介入に変換する。
- 参考スコア（独自算出の注目度）: 20.536327861164093
- License:
- Abstract: Fine-grained rectification of existing generations under a limited additional budget remains a key problem in test-time optimization (TTO) for image generation. As for prior approaches, they could identify residual errors, but could not directly ensure that the model acts on the feedback during reasoning. Such errors stem from multiple sources, such as the initial noise or text prompt, and ultimately induce an execution gap of failing to handle potential deviations along the trajectory generating. However, classic models generally cannot remedy this gap. To narrow it, we propose Reflection-Guided Dynamics Rectification (RGDR), which turns reflections on completed outputs into corrective interventions on the process of sampling dynamics at the trajectory level. Specifically, RGDR could impact every sampling step by adapting to instantaneous intervention. Moreover, RGDR generates flexible candidates while adjudicating between them and the reference. As experiments show, rectification from RGDR starts from the existing base trajectory and reflection, and RGDR is substantially more effective than former trajectory exploration. Under matched budgets for additional image generation, RGDR's gain in the cross-model average final checklist score over the reference is $1.51\times$ that of TIR prompt refinement and $1.81\times$ that of Dynamic CFG.
- Abstract（参考訳）: 画像生成のためのテスト時間最適化(TTO)において、限られた追加予算の下で既存の世代をきめ細かい修正することが重要な問題である。
従来のアプローチでは、残差を識別できたが、推論中にモデルがフィードバックに作用することを直接保証できなかった。
このようなエラーは、初期ノイズやテキストプロンプトなどの複数のソースから発生し、最終的に軌道生成に伴う潜在的な偏差に対処できない実行ギャップを誘導する。
しかし、古典的なモデルは一般的にこのギャップを補うことはできない。
そこで我々は,RGDR(Reflection-Guided Dynamics Rectification)を提案する。このRGDR(Reflection-Guided Dynamics Rectification)は,完成した出力の反射を軌道レベルでのダイナミックスサンプリングの過程の補正的介入に変換する。
具体的には、RGDRは即時介入に適応することで、サンプリングステップ毎に影響を及ぼす可能性がある。
さらに、RGDRは、それらと参照の間に適応しながら柔軟な候補を生成する。
実験が示すように、RGDRからの補正は既存の軌道と反射から始まり、RGDRは以前の軌道探査よりもかなり効果的である。
追加画像生成のための予算が整うと、RGDRは参照よりも平均的なクロスモデルチェックリストスコアが1.51\times$TIRの即時改善と1.81\times$Dynamic CFGとなる。
関連論文リスト
- Towards Valid B-Rep Generation: Training-Free Wireframe Anomaly Detection and Repair [11.44214616902057]
多段表現(トリガー計算生成)はCADモデルを生成する。
自己切断のようなリスクは、BRepsの無効な最終妥当性を伝播させる。
我々は、下流のBRepの有効性を改善するために、Wireframe検出段階で介入するフレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-05T15:24:58Z) - When Does High-CFG Diffusion Inversion Fail? A Controlled Study of Prompt--Latent Interactions [14.093075778060609]
インバージョンは、生成や編集に使用されるものよりも低い自由誘導(CFG)スケールで実行されることが多い。
このミスマッチは経験的に有用であるが、基本的な問題は未解決のままである。
制御された生成--反転--再構成設定でこの問題を考察する。
論文 参考訳（メタデータ） (2026-07-06T07:07:08Z) - RationalRewards: Reasoning Rewards Scale Visual Generation Both Training and Test Time [51.256131853751754]
本研究では,多次元的批判を明示的に生成するために報酬モデルを教えることで,受動的評価器から能動的最適化ツールへ変換することを示す。
提案手法では, 嗜好データから高品質な論理を復元する原理的フレームワークであるpreference-Anchored Rationalization (PARROT) を導入する。
その結果、RationalRewards (8B) は、オープンソース報酬モデル間の最先端の好み予測を実現する。
論文 参考訳（メタデータ） (2026-04-13T15:38:09Z) - Score-Guided Proximal Projection: A Unified Geometric Framework for Rectified Flow Editing [1.0312968200748118]
Rectified Flowモデルは最先端の世代品質を実現するが、正確なタスクのためにそれらを制御することは依然として困難である。
現在のアプローチは「幾何学的ロック」に苦しむ逆法に基づくガイダンスに分岐する
Score-Guided Proximal Projectionは,決定論的最適化と縮尺サンプリングのギャップを埋める統一フレームワークである。
論文 参考訳（メタデータ） (2026-03-05T23:44:45Z) - Evolutionary Router Feature Generation for Zero-Shot Graph Anomaly Detection with Mixture-of-Experts [60.60414602796664]
ゼロショットGADのための進化的ルータ特徴生成(EvoFG)を備えた新しいMoEフレームワークを提案する。
EvoFGは最先端のベースラインを一貫して上回り、強力で安定したゼロショットGAD性能を実現している。
論文 参考訳（メタデータ） (2026-02-12T06:16:51Z) - Does Generative Retrieval Overcome the Limitations of Dense Retrieval? [117.49076770892583]
生成的検索(GR)はニューラル情報検索の新しいパラダイムとして登場した。
本研究では,GRが高密度検索(DR)から学習目的と表現能力の両方において根本的に分岐するかを検討する。
論文 参考訳（メタデータ） (2025-09-26T09:38:01Z) - Chain-of-Retrieval Augmented Generation [91.02950964802454]
本稿では,o1-like RAGモデルを学習し,最終回答を生成する前に段階的に関連情報を抽出・推論する手法を提案する。
提案手法であるCoRAGは,進化状態に基づいて動的にクエリを再構成する。
論文 参考訳（メタデータ） (2025-01-24T09:12:52Z)
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。