論文の概要: HimmBO: High-Dimensional Interactive Model-Merging Bayesian Optimization for Image Generation

• arxiv url: http://arxiv.org/abs/2610.30875v1
• Date: Thu, 22 Oct 2026 07:56:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.274088
• Title: HimmBO: High-Dimensional Interactive Model-Merging Bayesian Optimization for Image Generation
• Title（参考訳）: HimmBO:画像生成のための高次元対話型モデルマージベイズ最適化
• Abstract要約: 画像生成コストを低減しつつ、より大規模なコレクションに優先駆動型アダプタをマージする2段階の手法であるHimmBOを導入する。 シミュレーションユーザによる画像マッチング実験では、HimBOは前処理で要求される画像の10分の1未満の類似性を達成しつつ、すべての比較よりも高い最終類似性を達成している。
• 参考スコア（独自算出の注目度）: 6.914418215123503
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Fine-tuning has become a common way to customize text-to-image models, leading to community collections of over 100K lightweight adapters. Adapters sharing a base model can be merged with continuous coefficients. This turns a large collection into a high-dimensional continuous design space, which recent work explores interactively using preferential Bayesian optimization (PBO). However, existing approaches are limited to a few dozen preselected adapters and require expensive image generation in every interaction round. We introduce HimmBO, a two-stage method that scales preference-driven adapter merging to much larger collections while reducing image-generation cost. Its screening stage recovers the active adapter set through level-set estimation over pre-generated images, requiring no image generation. The refinement stage then optimizes merge coefficients in the recovered low-dimensional subspace. Both stages use a style-aware kernel, allowing preference information to transfer between visually similar adapters. In simulated-user image-matching experiments, HimmBO achieves higher final similarity than all comparisons while reaching a given similarity with under one tenth of the image generations required by prior work. Its performance remains stable as the collection grows to 1080 adapters, while competing methods degrade substantially.
• Abstract（参考訳）: ファインチューニングは、テキスト・ツー・イメージのモデルをカスタマイズする一般的な方法となり、100K以上の軽量アダプタのコミュニティコレクションに繋がった。 ベースモデルを共有するアダプタは、連続係数とマージすることができる。 このことは、大規模なコレクションを高次元連続設計空間に転換し、最近の研究は、優先ベイズ最適化(PBO)を用いてインタラクティブに探索している。 しかし、既存のアプローチは数十のプリセレクトアダプタに限られており、対話ラウンド毎に高価な画像を生成する必要がある。 画像生成コストを低減しつつ、より大規模なコレクションに優先駆動型アダプタをマージする2段階の手法であるHimmBOを導入する。 そのスクリーニング段階は、画像生成を必要とせず、予め生成した画像のレベルセット推定によってアクティブアダプタセットを復元する。 精製段階は、回収された低次元部分空間におけるマージ係数を最適化する。 どちらのステージもスタイル対応カーネルを使用しており、好み情報を視覚的に類似したアダプタ間で転送することができる。 シミュレーションユーザによる画像マッチング実験では、HimBOは前処理で要求される画像の10分の1未満の類似性を達成しつつ、すべての比較よりも高い最終類似性を達成している。 コレクションが1080アダプタに成長するにつれて、パフォーマンスは安定し、競合するメソッドは大幅に低下する。

関連論文リスト

• LILAC: Layer-Wise Independent LoRAs and Cascaded Conditioning for Multi-Concept Customization of Diffusion Models [4.220963314690644]
  共有重み空間において独立に訓練された概念アダプタを融合させる方法は、アイデンティティの混乱とスタイルの出血に悩まされる。 LILACは、独立に訓練された低ランクアダプタを推論時に構成するフレームワークである。 LILACは、ジョイントトレーニングなしでアダプタを構成し、概念の数を線形にスケールし、バックボーンに依存しない。
  論文  参考訳（メタデータ） (2026-07-06T08:33:58Z)
• Nucleus-Image: Sparse MoE for Image Generation [5.769753912757775]
  我々はGenEval, DPG-Bench, OneIG-Benchの先頭モデルを超えるテキスト・画像生成モデルを提案する。 Nucleus-Imageはスパース・ミックス・オブ・エキスパート(MoE)拡散変圧器アーキテクチャを採用している。 我々は,700万枚の画像にまたがる1.5Bの高品質トレーニングペアからなる大規模トレーニングコーパスを構築した。
  論文  参考訳（メタデータ） (2026-04-14T00:43:23Z)
• SNCE: Geometry-Aware Supervision for Scalable Discrete Image Generation [64.29376407025768]
  Neighbor Cross Entropy Minimization (SNCE)は、大容量の離散画像生成装置の最適化課題に対処するために設計された、新しいトレーニング目標である。 我々は,クラス条件のImageNet-256生成,大規模テキスト・画像合成,画像編集タスクについて実験を行った。 その結果,SNCEは標準のクロスエントロピー目標と比較してコンバージェンス速度と全体の生成品質を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2026-03-16T11:44:11Z)
• GimmBO: Interactive Generative Image Model Merging via Bayesian Optimization [24.200664737879162]
  高次元空間におけるサンプリング効率と収束性を改善する2段階BOバックエンドを提案する。 提案手法をシミュレーションユーザとユーザスタディで評価し,改善されたコンバージェンス,高い成功率,BOおよびライン検索ベースラインに対する一貫した利得を示す。
  論文  参考訳（メタデータ） (2026-01-26T15:32:16Z)
• Iterative Refinement Improves Compositional Image Generation [47.116050084875106]
  Text-to-image (T2I)モデルは、複数のオブジェクト、リレーション、属性を同時に扱う必要がある複雑なプロンプトと競合する。 本稿では,T2Iモデルを複数のステップで段階的に改良する反復的テストタイム戦略を提案する。 われわれのアプローチは単純で、外部ツールや事前は必要とせず、幅広い画像生成器や視覚言語モデルに柔軟に適用できる。
  論文  参考訳（メタデータ） (2026-01-21T18:59:40Z)
• GriDiT: Factorized Grid-Based Diffusion for Efficient Long Image Sequence Generation [77.13582457917418]
  サブサンプルフレームからなる格子画像にのみ依存する生成モデルを訓練する。 本研究では,Diffusion Transformer (DiT) の強い自己アテンション機構を用いて,フレーム間の相関関係を捉えることで,画像系列を生成することを学ぶ。 我々の手法は、データセット間で、品質および推論速度(少なくとも2倍の速さ)において、一貫してSoTAを上回ります。
  論文  参考訳（メタデータ） (2025-12-24T16:46:04Z)
• MaskMamba: A Hybrid Mamba-Transformer Model for Masked Image Generation [63.73137438677585]
  MaskMambaは、MambaとTransformerアーキテクチャを組み合わせた新しいハイブリッドモデルである。 トランスフォーマーよりも2048時間2048ドルという解像度で、推論速度が54.44%向上した。
  論文  参考訳（メタデータ） (2024-09-30T04:28:55Z)
• MaxFusion: Plug&Play Multi-Modal Generation in Text-to-Image Diffusion Models [34.611309081801345]
  大規模な拡散ベースのテキスト・ツー・イメージ(T2I)モデルでは、テキスト・ツー・イメージ生成に印象的な生成能力がある。 本稿では,最小限の計算量で新しいタスクにまたがって生成モデルを拡張するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-04-15T17:55:56Z)
• Matcher: Segment Anything with One Shot Using All-Purpose Feature Matching [63.88319217738223]
  市販の視覚基礎モデルを用いて様々な知覚課題に対処する新しい知覚パラダイムであるMatcherを提案する。 Matcherは、様々なセグメンテーションタスクにまたがる印象的な一般化パフォーマンスを、すべてトレーニングなしでデモする。 我々の結果は、野生の画像に適用されたMatcherのオープンワールドの一般性と柔軟性をさらに示すものである。
  論文  参考訳（メタデータ） (2023-05-22T17:59:43Z)
• Thinking Fast and Slow: Efficient Text-to-Visual Retrieval with Transformers [115.90778814368703]
  目的は,大規模画像とビデオデータセットの言語検索である。 このタスクでは、独立してテキストとビジョンを共同埋め込み空間 a.k.a にマッピングする。 デュアルエンコーダは 検索スケールとして魅力的です 視覚テキスト変換器をクロスアテンションで使用する別のアプローチは、関節埋め込みよりも精度が大幅に向上する。
  論文  参考訳（メタデータ） (2021-03-30T17:57:08Z)
• Locally Masked Convolution for Autoregressive Models [107.4635841204146]
  LMConvは標準的な2Dコンボリューションの簡単な修正であり、任意のマスクを画像の各位置の重みに適用することができる。 我々は,パラメータを共有するが生成順序が異なる分布推定器のアンサンブルを学習し,全画像密度推定の性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-22T17:59:07Z)

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。