論文の概要: Unlocking Spatial Grounding in Flow-Matching Models via SNR Tuning
- arxiv url: http://arxiv.org/abs/2610.29581v1
- Date: Wed, 21 Oct 2026 11:22:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.346393
- Title: Unlocking Spatial Grounding in Flow-Matching Models via SNR Tuning
- Title（参考訳）: SNR調整によるフローマッチングモデルにおけるアンロック空間グラウンド
- Abstract要約: 集中型信号-雑音比分布のトレーニングにより,レイアウトの整合性が低下すること (25.9%) が示唆された。
我々は,高雑音を空間接地のための「クリティカルラーニングフェーズ」とみなす。
このシフトは分解能とアスペクト比のばらつきでスケールし、FLUX.1のようなモデルで使用される保守的なノイズスケジュールは正確なレイアウト順守には不十分である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Despite the success of foundation models in image synthesis, achieving fine-grained spatial control remains a significant challenge, typically requiring auxiliary structural adapters or complex inference-time steering. While modern vision-language (VLM) text encoders possess the latent capacity to represent spatial coordinates, generative models often fail to leverage this information. We demonstrate that the signal-to-noise ratio (SNR) distribution is a critical determinant of spatial grounding in flow-matching models. Using a novel synthetic benchmark of geometric primitives, we isolate structural mechanics from textural complexity inherent in natural imagery and introduce a rigorous color-aware layout metric to quantify spatial fidelity. We show that training on a centered SNR distribution results in poor layout adherence (25.9%). Instead, we identify high-noise regimes as a "critical learning phase" for spatial grounding. Shifting the training focus toward these stages increases layout adherence to 80.8%, effectively reaching the 83.6% reconstruction ceiling of the underlying variational autoencoder. We find that the necessity for this shift scales with resolution and aspect ratio variance, and that the conservative noise schedules employed by models like FLUX.1 are insufficient for precise layout adherence. Finally, we show that these findings translate to real-world imagery via the COCO dataset (1.0 vs. 57.3 Average Precision), where state-of-the-art layout adherence is unlocked through distribution tuning alone, without architectural modifications.
- Abstract（参考訳）: 画像合成における基礎モデルの成功にもかかわらず、きめ細かい空間制御を達成することは大きな課題であり、補助的な構造的アダプターや複雑な推論時ステアリングを必要とする。
現代の視覚言語(VLM)テキストエンコーダは空間座標を表す潜在能力を持っているが、生成モデルはしばしばこの情報を利用することができない。
本研究では,信号対雑音比(SNR)の分布が,流れマッチングモデルにおける空間接地の重要な決定要因であることを実証する。
幾何学的プリミティブの新たなベンチマークを用いて、自然画像に固有のテクスチャの複雑さから構造力学を分離し、空間の忠実度を定量化するための厳密なカラーアウェアレイアウトメトリクスを導入する。
中心となるSNR分布のトレーニングにより,レイアウトの整合性が低下すること (25.9%) が示唆された。
代わりに、高雑音の体制を空間接地のための「クリティカルラーニングフェーズ」とみなす。
トレーニングの焦点をこれらのステージにシフトさせることで、レイアウトのアテンデンスを80.8%増加させ、基礎となる変分オートエンコーダの83.6%の復元天井に効果的に到達した。
このシフトは分解能とアスペクト比のばらつきでスケールし、FLUX.1のようなモデルで使用される保守的なノイズスケジュールは正確なレイアウト順守には不十分である。
最後に,これらの知見はCOCOデータセット(1.0 vs. 57.3 Average Precision)による実世界の画像に変換されることを示す。
関連論文リスト
- Diagnose-to-Generate: Eliminating Structural Distortions in Flow Models via Patch-Level Grounded Alignment [55.60663579540744]
フローベース画像生成装置は強力なセマンティック合成を実現するが、それでも局所的な構造歪みを生じさせる。
textitDiagnose-to-Generate (D2G) は、画像診断と生成最適化を分離する基盤的アライメントフレームワークである。
論文 参考訳（メタデータ） (2026-10-13T07:37:52Z) - Spatial-Aware Reduction Framework: Towards Efficient and Faithful Visual State Space Models [71.59431204970339]
STORMは空間対応のトークン還元フレームワークである。
空間単位上の構造演算に還元を再構成する。
様々なビジョンのMambaバックボーンにまたがって最先端のプルーニング精度を実現する。
論文 参考訳（メタデータ） (2026-06-18T08:31:11Z) - Complexity-Balanced Diffusion Splitting [20.558008394592097]
Complexity-Balanced Splitting (CBS)は、時間的キャパシティ割り当てのための原則的なフレームワークである。
CBSは拡散時間軸を等近似重みのセグメントに分割する。
CBSは、ステップごとの推論コストを増大させることなく、継続的に品質を向上する。
論文 参考訳（メタデータ） (2026-06-04T17:57:15Z) - Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。
既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。
動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-25T09:57:46Z) - SCRWKV: Ultra-Compact Structure-Calibrated Vision-RWKV for Topological Crack Segmentation [36.61448234263959]
SCRWKV(Ultra-Compact Structure-Calibrated Vision RWKV)を提案する。
このネットワークは、線形複雑性を維持しながら、新しいStructure-Fieldバックボーンを介して高精度なモデリングを実現する。
SCRWKVは1.22Mのパラメータしか持たないが,SOTA法では著しく優れていた。
論文 参考訳（メタデータ） (2026-05-14T15:01:22Z) - HIR-ALIGN: Enhancing Hyperspectral Image Restoration via Diffusion-Based Data Generation [50.46910397782266]
ハイパスペクトル画像(HSI)の復元は、ノイズ、ぼかし、分解能損失などの劣化に悩まされるため、信頼性の高い解析に不可欠である。
本稿では,HIR-ALIGNを提案する。HIR-ALIGNは,限られたトレーニング画像と,ターゲット分布と密に一致した合成データとを付加して,ハイパースペクトル画像の復元を促進するための,プラグアンドプレイのターゲット適応型拡張フレームワークである。
論文 参考訳（メタデータ） (2026-05-13T14:14:13Z) - Cross-Scenario Deraining Adaptation with Unpaired Data: Superpixel Structural Priors and Multi-Stage Pseudo-Rain Synthesis [48.809049043865905]
低レベルのコンピュータビジョンでは,イメージデライン化が重要な役割を担っている。
ディープラーニングのパラダイムは、目に見えないアウト・オブ・ディストリビューションシナリオに一般化された場合、厳しいパフォーマンス劣化に悩まされることが多い。
本稿では,クロスシナリオ・デライニング適応フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-23T07:38:55Z) - CLAIRE: A Dual Encoder Network with RIFT Loss and Phi-3 Small Language Model Based Interpretability for Cross-Modality Synthetic Aperture Radar and Optical Land Cover Segmentation [1.1237223647481338]
本稿では、光学および合成開口レーダ(SAR)画像から、独立してモダリティ特有の特徴を抽出するデュアルエンコーダアーキテクチャを提案する。
この融合機構は、補完的な空間的特徴とテクスチャ的特徴を強調し、ネットワークがより詳細に多様な土地被覆パターンを捉えることを可能にする。
また,Small Language Model (Phi-3) によって生成される計量駆動推論モジュールを導入し,モデル予測のための専門家レベル,サンプル固有の正当性を生成する。
論文 参考訳（メタデータ） (2025-09-15T14:10:52Z) - Deep Equilibrium Convolutional Sparse Coding for Hyperspectral Image Denoising [16.405355853358202]
ハイパースペクトル画像(HSI)はリモートセンシングにおいて重要な役割を果たすが、複雑なノイズパターンによって劣化することが多い。
分解されたHSIの物理的特性の確保は、強靭なHSIの分解に不可欠であり、深層展開法が台頭する。
本研究では,局所的空間スペクトル相関,非局所的空間自己相似性,大域的空間一貫性を統一するDeep Equilibrium Convolutional Sparse Coding(DECSC)フレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-21T13:35:11Z) - FreSca: Scaling in Frequency Space Enhances Diffusion Models [55.75504192166779]
本稿では,潜時拡散モデルにおける周波数制御について検討する。
本稿では,低周波成分と高周波成分にノイズ差を分解する新しいフレームワークFreScaを紹介する。
FreScaはモデルの再トレーニングやアーキテクチャの変更なしに動作し、モデルとタスクに依存しない制御を提供する。
論文 参考訳（メタデータ） (2025-04-02T22:03:11Z)
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。