論文の概要: Qwen-Image-PE: Learning Visual Design for Text-to-Image Prompt Enhancement

• arxiv url: http://arxiv.org/abs/2610.33472v1
• Date: Sat, 24 Oct 2026 05:50:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.33593
• Title: Qwen-Image-PE: Learning Visual Design for Text-to-Image Prompt Enhancement
• Title（参考訳）: Qwen-Image-PE: テキスト間プロンプト強化のためのビジュアルデザイン学習
• Abstract要約: Qwen-Image-PEを導入し、2段階の学習を通して視覚デザインを学ぶ。 CRD(Caption-Based Reverse Distillation)による微調整では、高密度キャプションを設計監督に使用する。 Qwen-Image-PEは、トレーニングデータ、モデルサイズ、情報密度の3つの軸に沿ってスケールし、十分な情報密度を有効強化の前提条件とする。
• 参考スコア（独自算出の注目度）: 78.78555294387026
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning visual design is essential for prompt enhancement (PE) to turn underspecified user requests into coherent visual specifications for text-to-image (T2I) generation. Existing methods preserve user intent and improve overall visual appeal, with less explicit emphasis on fine-grained design dimensions. To address this gap, we introduce Qwen-Image-PE, which learns visual design through two-stage training. Supervised fine-tuning with Caption-Based Reverse Distillation (CRD) uses dense captions of well-designed images as design supervision. Reinforcement learning with Groupwise Design Reward (GDR) jointly compares all candidate images for the same request to refine lighting, composition, layout, and detail. On Qwen-Image-Bench with Qwen-Image-2.1, Qwen-Image-PE-397B improves over original requests by 7.81 points, while Qwen-Image-PE-9B outperforms all evaluated PE baselines. Further evaluations show gains in visual design, aesthetics, image quality, and human preference. We find that PE scales along three axes: training data, model size, and information density, with sufficient information density as a prerequisite for effective enhancement. Moreover, we demonstrate that Qwen-Image-PE generalizes to four additional T2I backbones, even surpassing native prompt enhancers on HunyuanImage-2.1 and FLUX 3 Image Klein. We release Qwen-Image-PE-9B at https://huggingface.co/Qwen/Qwen-Image-2.1-PE-T2I.
• Abstract（参考訳）: ビジュアルデザインの学習は、未指定のユーザリクエストをテキスト・ツー・イメージ(T2I)生成のための一貫性のあるビジュアル仕様に変換するために必要不可欠である。 既存の手法は、ユーザ意図を保存し、全体的な視覚的魅力を改善する。 このギャップに対処するために,2段階のトレーニングを通じて視覚設計を学ぶQwen-Image-PEを紹介した。 CRD (Caption-Based Reverse Distillation) による微調整では、よく設計された画像の高密度なキャプションを設計監督として使用している。 グループワイズ・デザイン・リワード(GDR)による強化学習は、照明、構成、レイアウト、詳細を洗練するための同じ要求に対して、すべての候補画像を共同で比較する。 Qwen-Image-PE-397BとQwen-Image-Benchでは、Qwen-PE-397Bは元の要求よりも7.81ポイント改善され、Qwen-Image-PE-9Bは評価されたPEベースラインを全て上回る。 さらなる評価は、視覚的デザイン、美学、画質、人間の嗜好が向上することを示している。 PEは、トレーニングデータ、モデルサイズ、情報密度の3軸に沿ってスケールし、効果的な強化のための前提条件として十分な情報密度を持つ。 さらに、Qwen-Image-PEは、Hunyuan Image-2.1とFLUX 3 Image Kleinのネイティブプロンプトエンハンサーを超越して、4つのT2Iバックボーンに一般化することを示した。 Qwen-Image-PE-9B at https://huggingface.co/Qwen/Qwen-Image-2.1-PE-T2I。

関連論文リスト

• Qwen-Image-2.0-RL Technical Report [66.2346321737379]
  Qwen-Image-2.0-RLは、人間のフィードバックとオンライン蒸留から強化学習を応用した後学習パイプラインである。 Qwen-Image-2.0-RLは、Qwen-Image-Benchで57.84点、Eloでは1193点、画像編集では1349点を達成している。
  論文  参考訳（メタデータ） (2026-06-25T23:49:50Z)
• GenTune: Toward Traceable Prompts to Improve Controllability of Image Refinement in Environment Design [11.504430962819034]
  GenTuneは、デザイナが生成した画像の任意の要素を選択し、それを対応するプロンプトラベルにトレースし、それらのラベルを修正して、正確で一貫した画像のリファインメントをガイドする。 20名のデザイナーによる要約研究で、GenTuneは、迅速な理解、精細化の質、効率、全体的な満足度を著しく改善した。
  論文  参考訳（メタデータ） (2025-08-21T04:31:01Z)
• Qwen-Image Technical Report [86.46471547116158]
  Qwen-Imageは複雑なテキストのレンダリングと正確な画像編集において大きな進歩を遂げた画像生成基盤モデルである。 我々は、大規模なデータ収集、フィルタリング、アノテーション、合成、バランスを含む包括的なデータパイプラインを設計する。 Qwen-Imageは、英語のようなアルファベットの言語で非常によく機能し、中国語のようなより挑戦的なログラフ言語でも顕著な進歩を遂げている。
  論文  参考訳（メタデータ） (2025-08-04T11:49:20Z)
• Replace in Translation: Boost Concept Alignment in Counterfactual Text-to-Image [53.09546752700792]
  我々は,この代替プロセスを明示論理ナラティブ・プロンプト (ELNP) と呼ぶ方法を提案する。 合成画像において,プロンプトに要求される概念を平均的にカバーできる数を計算するための計量を設計する。 大規模な実験と定性比較により、我々の戦略が反実的T2Iの概念の整合性を高めることが示される。
  論文  参考訳（メタデータ） (2025-05-20T13:27:52Z)
• ConceptMix: A Compositional Image Generation Benchmark with Controllable Difficulty [52.15933752463479]
  ConceptMixはスケーラブルで、制御可能で、カスタマイズ可能なベンチマークです。 テキスト・ツー・イメージ(T2I)モデルの合成生成能力を自動的に評価する。 いくつかのモデル、特に開モデルの性能は k の増加とともに劇的に低下する。
  論文  参考訳（メタデータ） (2024-08-26T15:08:12Z)
• DEsignBench: Exploring and Benchmarking DALL-E 3 for Imagining Visual Design [124.56730013968543]
  ビジュアルデザインシナリオに適したテキスト・ツー・イメージ(T2I)生成ベンチマークであるDesignBenchを紹介する。 DesignBenchベンチマークでは、画像テキストアライメント、視覚美学、デザインクリエイティビティの基準に対して、生成された画像に対する人間による評価を行う。 GPT-4Vを用いた最初の自動画像生成評価器を提案する。
  論文  参考訳（メタデータ） (2023-10-23T17:48:38Z)
• Leveraging Visual Question Answering to Improve Text-to-Image Synthesis [5.4897944234841445]
  本稿では,テキスト・ツー・イメージ(T2I)合成と視覚質問応答(VQA)を併用して画像品質と画像・テキストアライメントを改善する効果的な方法を提案する。 質問と回答(QA)ペアを連結して追加のトレーニングサンプルを作成し、標準VQAモデルを用いてT2Iモデルに補助的な学習信号を提供する。 本法では,FIDを27.84から25.38に低下させ,R-prec>を83.82%から84.79%に上昇させる。
  論文  参考訳（メタデータ） (2020-10-28T13:11:34Z)

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。