論文の概要: Beyond the Prompt: Recovering Hidden Concepts in Text-to-Image Models

• arxiv url: http://arxiv.org/abs/2610.27473v1
• Date: Tue, 20 Oct 2026 01:42:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.581091
• Title: Beyond the Prompt: Recovering Hidden Concepts in Text-to-Image Models
• Title（参考訳）: プロンプトを超えて:テキストから画像モデルに隠された概念を復元する
• Abstract要約: 本稿では,画像の集合に存在する概念を復元する組込み空間遺伝的アルゴリズムであるEmbGAについて述べる。 EmbGAを2つの調査予算の下で6つのエンコーダに対して2つのベンチマークで評価した。
• 参考スコア（独自算出の注目度）: 6.428894297364509
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text-to-image models can generate visual concepts that their prompts never mention, and recent work shows that such associations can be implanted so that ordinary prompts trigger them. Auditing this behavior requires recovering the description that a prompt omits. Existing prompt optimizers are not well suited to this task. Gradient-based methods require backward access to the scoring encoder. Discrete evolutionary search treats semantically unrelated tokens as equally close. Language-model-guided search requires one inference call per candidate, which limits exploration. This paper presents EmbGA, an embedding-space genetic algorithm that recovers concepts present in a set of images but absent from the prompt that generated them. EmbGA keeps the population structure of genetic search but applies its operators in the token embedding space. Crossover interpolates between parent embeddings, and mutation moves an embedding toward a randomly drawn vocabulary embedding. Each offspring is then projected back to discrete tokens before scoring, so every evaluated candidate is a valid token sequence. We evaluate EmbGA on two benchmarks against six optimizers under two exploration budgets. EmbGA achieves the highest alignment when the exploration budget is large, recovers the most grounded tokens on natural images, and runs much faster than language-model-guided search.
• Abstract（参考訳）: テキスト・トゥ・イメージ・モデルは、それらのプロンプトが決して言及しない視覚的概念を生成することができ、最近の研究は、通常のプロンプトがそれらを引き起こすように、そのようなアソシエーションを埋め込むことができることを示している。 この振る舞いを監査するには、プロンプトが省略する記述を復元する必要がある。 既存のプロンプトオプティマイザはこのタスクには適していない。 グラディエントベースの手法は、スコアリングエンコーダへの後方アクセスを必要とする。 離散進化探索は意味的に無関係なトークンを等しく近いものとして扱う。 言語モデル誘導検索では、候補毎に1つの推論コールが必要で、探索が制限される。 本稿では,画像の集合に存在する概念を復元する組込み空間遺伝的アルゴリズムであるEmbGAについて述べる。 EmbGAは遺伝子探索の集団構造を維持しているが、そのオペレーターをトークン埋め込み空間に適用する。 クロスオーバーは親の埋め込みを補間し、突然変異はランダムに描画された語彙埋め込みに向かって埋め込みを移動させる。 それぞれの子孫はスコアの前に個別のトークンに投影されるので、評価された候補はすべて有効なトークンシーケンスである。 EmbGAを2つの調査予算の下で6つの最適化器に対して2つのベンチマークで評価した。 EmbGAは、探索予算が大きい場合に最も高いアライメントを達成し、自然画像に最も根ざしたトークンを回収し、言語モデル誘導検索よりもはるかに高速に動作する。

関連論文リスト

• Look Back, Think Ahead: Visual Memory on Demand for Efficient Multimodal Reasoning [67.2146856614177]
  ViMoDは、推論が進化するにつれて、元のきめ細かい証拠へのアクセスを保ちながら、コンパクトな視覚コンテキストを維持する軽量フレームワークである。 Qwen3-VL-4Bでは、ViMoDは8つの推論ベンチマークのベースラインを20%の視覚トークン予算で上回っている。
  論文  参考訳（メタデータ） (2026-10-08T14:42:57Z)
• FaLCon: Facet-Anchored Retrieval with Late Consensus for Sim2Real Text-Based Person Anomaly Search [0.8609344172589112]
  テキストベースの人物異常検索では、詳細な自然言語記述から現実世界の歩行者画像を取得する必要がある。 このSim2Real設定は、視覚的に類似した候補が微妙なアクション、オブジェクトのインタラクション、外観属性でのみ異なる可能性があるため、特に難しい。 本稿では,大域的意味マッチングと細粒度検証を組み合わせたアンカー制約付き粗粒度検索フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-10T11:42:52Z)
• SGDiff: Scene Graph Guided Diffusion Model for Image Collaborative SegCaptioning [53.638998508418545]
  本稿では,画像の協調とキャプション'(セグキャプション)を新たに導入する。 SegCaptioningは、オブジェクトを囲むバウンディングボックスのような直接的なプロンプトを、(カプセル、マスク)ペアで表されるさまざまな意味解釈に変換することを目的としている。 このタスクは、ユーザの意図を最小限のプロンプトから正確に把握し、同時に複数の意味的に整列したキャプションワードとマスクを予測するなど、大きな課題を生じさせる。
  論文  参考訳（メタデータ） (2025-12-01T18:33:04Z)
• SaFiRe: Saccade-Fixation Reiteration with Mamba for Referring Image Segmentation [58.80001825332851]
  Referring Image (RIS) は、自然言語で表現された画像に対象のオブジェクトを分割することを目的としている。 最近の手法は主に「赤い車」や「左少女」のような単純な表現に焦点を当てている
  論文  参考訳（メタデータ） (2025-10-11T10:50:58Z)
• Dense Retrievers Can Fail on Simple Queries: Revealing The Granularity Dilemma of Embeddings [65.31723739561151]
  埋め込みは、エンコードされたセマンティクス内のきめ細かいエンティティやイベントを認識できないかもしれない。 本稿では,新たな評価データセットであるCapRetrievalを導入し,文節は画像キャプションであり,クエリはエンティティやイベントの概念を多種多様な形式でターゲットとするフレーズである。 我々は提案したデータ生成戦略でエンコーダを微調整し、小さな0.1Bエンコーダで最先端の7Bモデルを上回る性能を実現した。
  論文  参考訳（メタデータ） (2025-06-10T09:00:33Z)
• A Hitchhikers Guide to Fine-Grained Face Forgery Detection Using Common Sense Reasoning [9.786907179872815]
  視覚と言語の可能性は、いまだに偽造検出に過小評価されている。 顔偽造検出を視覚質問応答(VQA)タスクに変換する方法論が必要である。 このギャップに対処するために,従来の二項決定パラダイムから分岐する多段階的アプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-01T08:16:40Z)
• Evolutionary Verbalizer Search for Prompt-based Few Shot Text Classification [5.583948835737293]
  提案手法は,提案手法を改良した新しい進化型動詞処理アルゴリズムであるEVSを提案する。 本稿では,最適な動詞処理器を自動構築することに集中し,高速な動詞処理器を用いたプロンプトベースチューニングを改善するための新しいEVSアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-18T10:03:11Z)
• Autoregressive Search Engines: Generating Substrings as Document Identifiers [53.0729058170278]
  自動回帰言語モデルは、回答を生成するデファクト標準として現れています。 これまでの研究は、探索空間を階層構造に分割する方法を探究してきた。 本研究では,検索空間の任意の構造を強制しない代替として,経路内のすべてのngramを識別子として使用することを提案する。
  論文  参考訳（メタデータ） (2022-04-22T10:45:01Z)

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。