論文の概要: ATLAS: Attention-Guided Test-Time Latent Selection for Compositional Visual Autoregressive Generation

• arxiv url: http://arxiv.org/abs/2610.25390v1
• Date: Sun, 18 Oct 2026 16:42:42 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:22:53.382428
• Title: ATLAS: Attention-Guided Test-Time Latent Selection for Compositional Visual Autoregressive Generation
• Title（参考訳）: Attention-Guided Test-Time Latent Selection for compositional Visual Autoregressive Generation (ATLAS)
• Abstract要約: ATLASは、凍結したジェネレータの内部の注意を使って、最終画像が利用可能になる前に検索をガイドする、トレーニング不要のフレームワークである。 プロンプト内診断は、インフィニティの最終的な構成選好を予測する注意由来のスコアを特定する。 ATLASは両背骨に効果的にスケールし、評価されたT2I-CompBenchとGenEvalの平均スコアを高くする。
• 参考スコア（独自算出の注目度）: 10.228723521208858
• License:
• Abstract: Visual autoregressive models produce convincing images but can misassign attributes and spatial relations. Searching multiple generation paths can improve composition, yet completing every candidate is costly. We introduce ATLAS, a training-free framework that uses the frozen generator's internal attention to guide search before final images are available. Within-prompt diagnostics identify attention-derived scores that predict final compositional preferences on Infinity, with category-dependent transfer to Switti. ATLAS uses these on-the-fly signals to progressively concentrate computation on promising trajectories. It maintains multiple coarse alternatives, prunes candidates without decoding at intermediate scales, and reserves image-space evaluation for a final choice among partial trajectories. ATLAS scales effectively on both backbones, achieving higher mean scores on the evaluated T2I-CompBench and GenEval categories as more computation is devoted to search. At the largest tested budget, the targeted T2I-CompBench mean improves by over 10% relative to each backbone. Separate profiles show over 50% less generation time than completing and evaluating all candidates at equal initial counts, alongside lower peak allocated GPU memory. Relative time savings are larger at the higher tested candidate count. Together, these results support scalable compositional search: additional sampling expands exploration, while attention-guided selection limits continuation cost without parameter updates or gradient-based optimization.
• Abstract（参考訳）: 視覚的自己回帰モデルは説得力のあるイメージを生成するが、属性や空間関係を誤割り当てすることができる。 複数の生成経路の探索は構成を改善することができるが、すべての候補を完了させるにはコストがかかる。 最終画像が利用可能になる前に、冷凍発電機の内部の注意を使って検索をガイドするトレーニングフリーのフレームワークであるATLASを紹介する。 プロンプト内診断では、カテゴリー依存のSwittiへの移行とともに、Infinityの最終的な構成選好を予測する注意由来のスコアが特定される。 ATLASはこれらのオンザフライ信号を使用して、将来性のある軌道上の計算を段階的に集中する。 複数の粗い代替手段を維持し、中間スケールでデコードせずに候補をプーンし、部分軌跡の最終的な選択のための画像空間評価を予約する。 ATLASは両方のバックボーン上で効果的にスケールし、評価されたT2I-CompBenchとGenEvalのカテゴリの平均スコアを高くする。 最大の試験予算では、T2I-CompBenchは各バックボーンに対して10%以上改善される。 異なるプロファイルは、同じ初期カウントで全ての候補を完了し、評価するよりも50%少ない生成時間を示す。 相対的な時間節約は、より高い試験対象数で大きい。 これらの結果はスケーラブルな構成探索をサポートしており、追加サンプリングは探索を拡大し、注意誘導選択はパラメータ更新や勾配に基づく最適化なしで継続コストを制限している。

関連論文リスト

• FORTE: Adaptive Scoring and Exact Keyframe Selection for Long-Video Question Answering [14.633493741362443]
  FORTEは適応性スコアリングとグローバルな計算最適化のためのトレーニング不要のフレームワークである。 我々は、対数被覆構造を利用した正確なアルゴリズムを導出し、プールサイズに線形な時間で、得られた候補プールの最適部分集合を同定する。 4つの長ビデオ質問応答ベンチマーク実験により、FOTEが観測された平均精度が最も高いことを示す。
  論文  参考訳（メタデータ） (2026-09-30T18:45:18Z)
• 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)
• Label-Free Cross-Task LoRA Merging with Null-Space Compression [50.63908869296697]
  我々は,ラベルフリーで出力に依存しない手法であるNull-Space Compression (NSC) Mergingを紹介した。 NSCは、従来のメソッドがタスクのサブセットに収まるバランスの取れたゲインを持つ20の異種視覚タスクに対して、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-27T11:34:41Z)
• CARINOX: Inference-time Scaling with Category-Aware Reward-based Initial Noise Optimization and Exploration [12.905084796136883]
  カテゴリーアウェア・リワードに基づく初期騒音最適化・探索(CARINOX) CARINOX(Calegory-Aware Reward-based Initial Noise Optimization and Exploration)を提案する。 CARINOXは平均アライメントスコアをT2I-CompBench++で+16%、HRSベンチマークで+11%向上することを示した。
  論文  参考訳（メタデータ） (2025-09-22T07:51:28Z)
• TTS-VAR: A Test-Time Scaling Framework for Visual Auto-Regressive Generation [48.61855865678161]
  視覚的自己回帰(VAR)モデルのための、最初の一般的なテスト時間スケーリングフレームワークを提示する。 クラスタリングに基づく多様性探索と再サンプリングに基づく潜在的選択を提案する。 強力なVARモデルであるInfinityの実験は、注目すべき8.7%のGenEvalスコアの改善を示している。
  論文  参考訳（メタデータ） (2025-07-24T16:04:55Z)
• Cervical Cytology Classification Using PCA & GWO Enhanced Deep Features Selection [1.990876596716716]
  子宮頸癌は世界でも最も致命的かつ一般的な疾患の1つである。 ディープラーニングと特徴選択を利用した完全自動化フレームワークを提案する。 このフレームワークは3つの公開ベンチマークデータセットで評価されている。
  論文  参考訳（メタデータ） (2021-06-09T08:57:22Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Self-Supervised Tuning for Few-Shot Segmentation [82.32143982269892]
  Few-shotのセグメンテーションは、アノテートされたサンプルがほとんどない各画像ピクセルにカテゴリラベルを割り当てることを目的としている。 既存のメタラーニング手法では, 画像から抽出した視覚的特徴を埋め込み空間に埋め込むと, カテゴリー別識別記述子の生成に失敗する傾向にある。 本稿では,複数のエピソードにまたがる潜在特徴の分布を,自己分割方式に基づいて動的に調整する適応型フレームワークチューニングを提案する。
  論文  参考訳（メタデータ） (2020-04-12T03:53:53Z)

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。