論文の概要: Spatially Gated Demographic Steering for Debiasing Multi-Person Text-to-Image Generation

• arxiv url: http://arxiv.org/abs/2610.29651v1
• Date: Wed, 21 Oct 2026 12:32:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 09:50:43.250675
• Title: Spatially Gated Demographic Steering for Debiasing Multi-Person Text-to-Image Generation
• Title（参考訳）: マルチパーソンテキスト・画像生成を損なうための空間ゲージ付きデモグラフィックステアリング
• Abstract要約: テキスト・トゥ・イメージ・モデルは社会的ステレオタイプを再現し、既存の緩和はシーン全体に1つの人口統計学的補正を適用している。 本研究では、個人ごとのマスクを抽出することで、個人ごとの人口動態を個別に把握する空間的ゲーテッドステアリング(SGS)を提案する。 SGSは画像内の人種と性別の多様性が高く、ベースラインに近い総合的なバランスと画像品質を維持している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-to-Image models reproduce societal stereotypes, and existing mitigation applies one demographic correction to the whole scene. In multi-person scene generation this creates a trade-off: global steering improves aggregate balance only by homogenizing the people within an image. Steering-based methods like Embedding Arithmetic drive the intra-image diversity below the unsteered baseline. Text- and latent-projection approaches shift the aggregate skew with only marginal gains in intra-image diversity. We present Spatially Gated Steering (SGS), which steers the demographics of each person independently by extracting per-person masks from the Diffusion Transformer's (DiT) internal attention maps at a critical denoising timestep and applying a distinct demographic vector within each mask for the remaining steps. SGS needs no fine-tuning, inversion or layout specifications, and uses a lightweight segmentor over frozen DiT attention features to localize subjects at early timesteps. On skewed occupational prompts, SGS reaches high intra-image racial and gender diversity while keeping aggregate balance competitive and image quality near baseline, a result we validate on two architecturally distinct diffusion transformers, FLUX.1-Dev and SD3.5-Large. Codebase and model weights are available at https://github.com/cvims/spatially-gated-steering
• Abstract（参考訳）: テキスト・トゥ・イメージ・モデルは社会的ステレオタイプを再現し、既存の緩和はシーン全体に1つの人口統計学的補正を適用している。 グローバルステアリングは、画像内の人々を均質化することによってのみ、集約バランスを改善する。 Arithmetic の埋め込みのようなステアリングベースの手法は、非ステアリングベースラインの下にあるイメージ内多様性を駆動する。 テキスト・投射アプローチと潜在投射アプローチは、画像内多様性の限界ゲインのみに集約スキューをシフトさせる。 本稿では,Diffusion Transformer (DiT) 内部の注意マップから各マスクを抽出し,各マスク内に個別の人口統計ベクトルを適用することにより,個人ごとの人口動態を独立に把握する空間的ゲーテッドステアリング(SGS)を提案する。 SGSは微調整、反転、レイアウトの仕様を必要とせず、凍ったDiTアテンション機能の上に軽量セグメンタを使用して、被験者を早期にローカライズする。 スクイードな職業的プロンプトでは、SGSは画像内の人種・性別の多様性が高く、ベースライン付近での総合的バランスの競争力と画像品質を保ちながら、FLUX.1-DevとSD3.5-Largeの2つのアーキテクチャ的に異なる拡散トランスフォーマーを検証した。 Codebaseとモデルウェイトはhttps://github.com/cvims/spatially-gated-steeringで入手できる。

関連論文リスト

• Where Does Generative Difficulty Reside? An Empirical Study of Target Representations [62.54876287800644]
  ターゲット表現は、イメージジェネレータが学ぶ必要がある分布を定義するが、しばしば交換可能なインターフェースとして扱われる。 マスク付き自己回帰整流モデルにおいて,生画素,SD-VAE潜伏剤,DINOv2,MAE表現-オートエンコーダの特徴について検討した。 その結果, 圧縮, 再構成忠実度, トークン次元, 可視的セマンティッククラスタリングは生成挙動を個別に予測できないことがわかった。
  論文  参考訳（メタデータ） (2026-08-01T12:32:31Z)
• Seg-VAR: Image Segmentation with Visual Autoregressive Modeling [60.79579744943664]
  本稿では,セグメンテーションを条件付き自己回帰マスク生成問題として再考する新しい枠組みを提案する。 これは、差別的な学習を潜在的な学習プロセスに置き換えることによって達成される。 提案手法は,(1)入力画像から潜時前処理を生成する画像エンコーダ,(2)分割マスクを離散潜時トークンにマッピングする空間認識セグレット(セグメンテーションマスクの潜時表現)エンコーダ,(3)これらの潜時マスクを再構成するデコーダの3つのコアコンポーネントを含む。
  論文  参考訳（メタデータ） (2025-11-16T13:36:19Z)
• GS: Generative Segmentation via Label Diffusion [59.380173266566715]
  言語駆動のイメージセグメンテーションは、自然言語表現に対応する画像の領域を分割するモデルを必要とする、視覚言語理解の基本的なタスクである。 近年の拡散モデルがこの領域に導入されているが、既存のアプローチは画像中心のままである。 生成タスクとしてセグメンテーション自体を定式化する新しいフレームワークであるGS(Generative Label)を提案する。 実験の結果,GSは既存の差別的・拡散的手法を著しく上回り,言語駆動セグメンテーションのための新たな最先端技術が確立された。
  論文  参考訳（メタデータ） (2025-08-27T16:28:15Z)
• Towards Imperceptible JPEG Image Hiding: Multi-range Representations-driven Adversarial Stego Generation [19.5984577708016]
  JPEG画像隠蔽のためのMRAGと呼ばれるマルチレンジ表現駆動型逆スチーゴ生成フレームワークを提案する。 MRAGは、畳み込みの局所レンジ特性と変換器のグローバルレンジモデリングを統合する。 シュプロゲートステガナライザーの分類された特徴に基づいて、カバーとステゴ間の敵対的損失を計算する。
  論文  参考訳（メタデータ） (2025-07-11T06:45:07Z)
• Bi-directional Self-Registration for Misaligned Infrared-Visible Image Fusion [53.60977801655896]
  高品質なマルチモーダル画像融合を実現するためには,高精度なマルチモーダル画像ペアの取得が不可欠である。 我々は、新しい自己教師型 textbfBi-directional textbfSelf-textbfRegistration framework (textbfB-SR) を提案する。
  論文  参考訳（メタデータ） (2025-05-11T09:36:25Z)
• Cross-modal tumor segmentation using generative blending augmentation and self training [1.6440045168835438]
  本稿では,新しいデータ拡張手法によって強化された従来の画像合成に基づくクロスモーダルセグメンテーション手法を提案する。 Generative Blending Augmentation (GBA)は、単一のトレーニング画像から代表的生成特徴を学習し、腫瘍の外観を現実的に多様化させる。 提案手法は,MICCAI CrossMoDA 2022 チャレンジの検証および試験段階において,前庭神経ショーノマ(VS)セグメンテーションにおいて第1位となった。
  論文  参考訳（メタデータ） (2023-04-04T11:01:46Z)
• Intra-Source Style Augmentation for Improved Domain Generalization [21.591831983223997]
  セマンティックセグメンテーションにおける領域一般化を改善するために,イントラソーススタイル拡張(ISSA)手法を提案する。 ISSAはモデルに依存しず、CNNやTransformerで簡単に適用できる。 また、Cityscapes から Dark Z"urich の最近の最先端ソリューション RobustNet を $3%$ mIoU で改善するなど、他の領域の一般化手法を補完する。
  論文  参考訳（メタデータ） (2022-10-18T21:33:25Z)
• Shunted Self-Attention via Multi-Scale Token Aggregation [124.16925784748601]
  最近のビジョン変換器(ViT)モデルは、様々なコンピュータビジョンタスクにまたがる励振結果を実証している。 注意層ごとのハイブリッドスケールでの注意をViTsでモデル化するShunted Self-attention(SSA)を提案する。 SSAベースの変換器は84.0%のTop-1精度を実現し、ImageNetの最先端のFocal Transformerより優れている。
  論文  参考訳（メタデータ） (2021-11-30T08:08:47Z)
• Adversarial Semantic Data Augmentation for Human Pose Estimation [96.75411357541438]
  本研究では,セマンティックデータ拡張法 (SDA) を提案する。 また,適応的セマンティックデータ拡張 (ASDA) を提案する。 最先端の結果は、挑戦的なベンチマークで得られます。
  論文  参考訳（メタデータ） (2020-08-03T07:56:04Z)

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。