論文の概要: T-DIG: Text-Conditioned Diversity for Image Generation

• arxiv url: http://arxiv.org/abs/2610.29003v1
• Date: Wed, 21 Oct 2026 00:11:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.163745
• Title: T-DIG: Text-Conditioned Diversity for Image Generation
• Title（参考訳）: T-DIG:画像生成のためのテキスト記述型多様性
• Abstract要約: T-DIGは、画像生成と編集のためのテキスト条件付き多様性フレームワークである。 ユーザはプロンプトを入力し、デフォルトの世代を検査し、自然言語を使ってバリエーションをリクエストし、満足するまで出力を精算し続けることができます。 画像生成におけるテキスト条件付きプロンプト多様性のための最初のデータセットをリリースする。
• 参考スコア（独自算出の注目度）: 56.10147190312895
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text-to-image (T2I) platforms typically return several images per prompt so users can explore different visual interpretations and choose one that matches their intent. However, T2I models are usually optimized for single-image quality which comes at a cost of multi-image diversity, limiting this exploration. Diversity is also contextual: one user wants variations in background, while another wants them in artistic style, and the same user may later want variations in clothing. The generated images should differ along whatever axis the user cares about. In this paper, we introduce T-DIG, a text-conditioned diversity framework for image generation and editing. T-DIG is an iterative framework comprising multiple modules that lets users type prompts, inspect default generations, request variations using natural language, and continue refining outputs until they're satisfied. At its core, T-DIG uses an LLM policy that produces K axis-conditioned prompts or edit instructions for a frozen generator or editor. We train this policy with GRPO using a text-conditioned diversity reward and alignment penalties. Because the image generator remains frozen, T-DIG applies to open-weight, distilled, and proprietary models. We also release the first dataset for text-conditioned prompt diversity in image generation, with the training and validation splits built from human-written axes and a test set drawn from real user interactions with T-DIG. T-DIG far exceeds baselines in improving text-conditioned diversity, while preserving base-prompt alignment across a variety of metrics and human judgements. We show that user-directed diversity exploration can be added to a wide range of image generation models, open and closed, without the need to access their weights. Website: https://image-study.org/t-dig/
• Abstract（参考訳）: テキスト・ツー・イメージ(T2I)プラットフォームは、通常、プロンプト毎に複数の画像を返すため、ユーザーは異なる視覚的解釈を探索し、意図に合ったものを選択することができる。 しかしながら、T2Iモデルは通常、マルチイメージの多様性を犠牲にして、単一イメージの品質に最適化されているため、この探索は制限される。 あるユーザーは背景のバリエーションを欲しがるが、別のユーザーは芸術的なスタイルを欲しがるし、同じユーザーは後に衣服のバリエーションを欲しがる。 生成された画像は、ユーザが関心を持つ軸に沿って異なるべきである。 本稿では,画像生成と編集のためのテキスト条件付き多様性フレームワークであるT-DIGを紹介する。 T-DIGは複数のモジュールからなる反復的なフレームワークで、ユーザがプロンプトをタイプし、デフォルト世代を検査し、自然言語を使ってバリエーションをリクエストし、満足するまで出力を精査する。 T-DIGは中核として、冷凍発電機やエディタのK軸条件のプロンプトや編集命令を生成するLLMポリシーを使用している。 我々は、テキスト条件付き多様性報酬とアライメントペナルティを用いてGRPOでこのポリシーを訓練する。 画像生成装置は凍結されているため、T-DIGはオープンウェイト、蒸留、プロプライエタリなモデルに適用できる。 また、人間の手書き軸から構築したトレーニングと検証の分割と、T-DIGとの実際のユーザインタラクションから作成したテストセットを用いて、画像生成におけるテキスト条件付きプロンプトダイバーシティのための最初のデータセットをリリースする。 T-DIGはテキスト条件付き多様性の改善のベースラインをはるかに超え、さまざまな指標や人的判断に対するベースプロンプトアライメントを保っている。 本研究では, 多様な画像生成モデルにユーザ指向の多様性探索を加えることで, ウェイトへのアクセスを必要とせずに, オープンかつクローズドにすることができることを示す。 Webサイト: https://image-study.org/t-dig/

関連論文リスト

• Semantic Browsing: Controllable Diversity for Image Generation [51.503726779537]
  本稿では,セマンティックブラウズを可能にする多様性制御手法を提案する。 我々は、最近のテキスト・ツー・イメージモデルが精巧なキャプションで訓練されているという事実を活用している。 これはパラダイムシフトを可能にします – テキスト・ツー・イメージモデル内のバリエーションに頼るのではなく,テキストレベルで直接多様性を誘導します。
  論文  参考訳（メタデータ） (2026-06-22T17:59:17Z)
• IP-Prompter: Training-Free Theme-Specific Image Generation via Dynamic Visual Prompting [71.29100512700064]
  IP-Prompterは、新しいトレーニング不要なTSI生成方法である。 参照イメージを生成モデルに統合することで、ユーザはシームレスに対象テーマを指定することができる。 提案手法は,一貫したストーリー生成,キャラクターデザイン,リアルなキャラクタ生成,スタイル誘導画像生成など,多様な応用を可能にする。
  論文  参考訳（メタデータ） (2025-01-26T19:01:19Z)
• One-Prompt-One-Story: Free-Lunch Consistent Text-to-Image Generation Using a Single Prompt [101.17660804110409]
  テキスト画像生成モデルは、入力プロンプトから高品質な画像を生成することができる。 彼らはストーリーテリングのアイデンティティ保存要件の一貫性のある生成をサポートするのに苦労している。 本稿では,一貫したテキスト・画像生成のための新しいトレーニングフリー手法を提案する。
  論文  参考訳（メタデータ） (2025-01-23T10:57:22Z)
• L-Verse: Bidirectional Generation Between Image and Text [41.133824156046394]
  L-Verseは、AugVAE(Feature-augmented Variational Autoencoder)とBiART(Bidirectional Auto-Regressive Transformer)で構成される新しいアーキテクチャである。 AugVAEは、ImageNet1Kバリデーションセットにおける最先端の再構築性能と、野生の未確認画像に対するロバスト性を示している。 L-Verseは、微調整や余分なオブジェクト検出フレームワークを使わずに、画像からテキスト、テキストから画像を生成するタスクに直接使用することができる。
  論文  参考訳（メタデータ） (2021-11-22T11:48:26Z)

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。