論文の概要: GarmentSegAgent: Autonomous Garment Segmentation for Web Fashion Images via Textual Self-Refinement

• arxiv url: http://arxiv.org/abs/2610.36506v1
• Date: Tue, 27 Oct 2026 02:10:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.46378
• Title: GarmentSegAgent: Autonomous Garment Segmentation for Web Fashion Images via Textual Self-Refinement
• Title（参考訳）: GarmentSegAgent: テキスト・セルフ・リファインメントによるWebファッション画像の自動ガーメント・セグメンテーション
• Abstract要約: GarmentSegAgentは、セマンティックプランニング、空間実行、視覚的評価を統合する自律的なフレームワークである。 CAST(Constrained Attribution-guided Selective TextGrad)を導入する。 DeepFashion2、ModaNet、Fashionpediaの実験では、リージョンオーバーラップと境界精度が一貫した改善が示されている。
• 参考スコア（独自算出の注目度）: 17.531852450461738
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Web fashion images support applications such as visual product search and consumer-to-shop matching, yet their visual heterogeneity makes reliable garment segmentation challenging. Despite advances in promptable segmentation, autonomously identifying and correcting garment-specific errors without human-provided spatial prompts remains difficult. We propose GarmentSegAgent, an autonomous framework that integrates semantic planning, spatial execution, and visual evaluation through iterative textual self-refinement. At its core, we introduce CAST (Constrained Attribution-guided Selective TextGrad), which connects visual error attribution with targeted textual optimization. CAST identifies instruction components responsible for segmentation errors, selectively updates them through textual gradients, and validates the resulting instructions against garment-specific constraints. This enables image-specific error correction at inference time while keeping the underlying foundation models frozen. Experiments on DeepFashion2, ModaNet, and Fashionpedia demonstrate consistent improvements in region overlap and boundary accuracy, alongside more reliable refinement than conventional TextGrad. By enabling visual feedback to guide controlled instruction updates, GarmentSegAgent offers a promising direction for autonomous garment understanding, with potential applications in scalable fashion content analysis, visual retrieval, and consumer-to-shop matching on the Web.
• Abstract（参考訳）: Webファッション画像は、ビジュアル製品検索や消費者間マッチングなどのアプリケーションをサポートするが、その視覚的不均一性は、信頼できる衣服のセグメンテーションを困難にしている。 迅速なセグメンテーションの進歩にもかかわらず、人為的な空間的プロンプトなしで、自律的に衣服固有のエラーを特定し、修正することは難しいままである。 本稿では, セマンティック・プランニング, 空間実行, 視覚的評価を反復的テキスト・セルフリファインメントを通じて統合する自律型フレームワークであるGarmentSegAgentを提案する。 CAST(Constrained Attribution-guided Selective TextGrad)を導入し,視覚的誤りの帰属とテキスト最適化を結びつける。 CASTはセグメンテーションエラーの原因となる命令コンポーネントを特定し、テキストグラデーションを通じて選択的に更新し、結果として得られる命令を衣服固有の制約に対して検証する。 これにより、基礎となる基盤モデルを凍結したまま、推論時に画像固有のエラー補正が可能になる。 DeepFashion2、ModaNet、Fashionpediaの実験では、従来のTextGradよりも信頼性の高い改善とともに、リージョンオーバーラップとバウンダリの精度が一貫した改善が示されている。 GarmentSegAgentは、視覚フィードバックによって制御された命令更新をガイドすることで、スケーラブルなファッションコンテンツ分析、ビジュアル検索、Web上でのコンシューマとショップのマッチングなど、自律的な衣服理解のための有望な方向を提供する。

関連論文リスト

• Scale Your Instructions: Enhance the Instruction-Following Fidelity of Unified Image Generation Model by Self-Adaptive Attention Scaling [54.54513714247062]
  OmniGenのような統合画像生成モデルの最近の進歩により、単一のフレームワーク内で多様な画像生成および編集タスクの処理が可能になった。 テキスト命令が複数のサブインストラクションを含む場合,テキスト命令の無視に悩まされることがわかった。 本稿では,サブインストラクション毎に注意力の活性化を動的にスケールするために,自己適応型注意スケーリングを提案する。
  論文  参考訳（メタデータ） (2025-07-22T05:25:38Z)
• AnyDressing: Customizable Multi-Garment Virtual Dressing via Latent Diffusion Models [7.534556848810697]
  衣服とパーソナライズされたテキストプロンプトの組み合わせで条件付き文字をカスタマイズする新しいAnyDressing法を提案する。 AnyDressingはGarmentsNetとDressingNetという2つの主要なネットワークで構成されており、それぞれが詳細な衣料品の特徴を抽出することを目的としている。 衣服のきめ細かいテクスチャの詳細を改善するため,ガーメント強化テクスチャ学習戦略を導入する。
  論文  参考訳（メタデータ） (2024-12-05T13:16:47Z)
• IMAGDressing-v1: Customizable Virtual Dressing [58.44155202253754]
  IMAGDressing-v1は、固定された衣服とオプション条件で自由に編集可能な人間の画像を生成する仮想ドレッシングタスクである。 IMAGDressing-v1は、CLIPのセマンティック特徴とVAEのテクスチャ特徴をキャプチャする衣料UNetを組み込んでいる。 本稿では,凍結自己注意とトレーニング可能なクロスアテンションを含むハイブリッドアテンションモジュールを提案する。
  論文  参考訳（メタデータ） (2024-07-17T16:26:30Z)
• TextFormer: A Query-based End-to-End Text Spotter with Mixed Supervision [61.186488081379]
  Transformerアーキテクチャを用いた問合せベースのエンドツーエンドテキストスポッターであるTextFormerを提案する。 TextFormerは、画像エンコーダとテキストデコーダの上に構築され、マルチタスクモデリングのための共同セマンティック理解を学ぶ。 分類、セグメンテーション、認識のブランチの相互訓練と最適化を可能にし、より深い特徴共有をもたらす。
  論文  参考訳（メタデータ） (2023-06-06T03:37:41Z)
• TD-GEM: Text-Driven Garment Editing Mapper [15.121103742607383]
  ファッションアイテムをアンタングルに編集するためのテキスト駆動型ガーメント編集マッパー(TD-GEM)を提案する。 次に、最適化に基づくContrastive Language- Image Pre-trainingを用いて、ファッションイメージの潜在表現をガイドする。 我々のTD-GEMは、テキストプロンプトで表現された対象属性に従って、正確に画像を操作します。
  論文  参考訳（メタデータ） (2023-05-29T14:31:54Z)
• Towards Counterfactual Image Manipulation via CLIP [106.94502632502194]
  既存の方法は、顔画像の年齢や性別など、さまざまな視覚特性をリアルに編集することができる。 コントラスト・ランゲージ・イメージ・プレトレーニング(CLIP)を用いたテキスト駆動方式でこの問題を考察する。 定義済みのCLIP空間の方向を利用して、異なる視点から所望の方向に向けて編集を誘導する新しいコントラスト損失を設計する。
  論文  参考訳（メタデータ） (2022-07-06T17:02:25Z)
• Towards Scalable Unpaired Virtual Try-On via Patch-Routed Spatially-Adaptive GAN [66.3650689395967]
  本稿では,現実世界の仮想試行を支援するテクスチャ保存型終末ネットワークであるPAtch-routed SpaTially-Adaptive GAN (PASTA-GAN)を提案する。 PASTA-GANは、各衣服のスタイルと空間情報をアンタングルするために、革新的なパッチを外したアンタングルモジュールで構成されている。
  論文  参考訳（メタデータ） (2021-11-20T08:36:12Z)

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。