Fugu-MT 論文翻訳(概要): DeCoRL: Decomposed Consistency Reinforcement Learning for Multi-Image Composition

論文の概要: DeCoRL: Decomposed Consistency Reinforcement Learning for Multi-Image Composition

arxiv url: http://arxiv.org/abs/2610.39265v1
Date: Thu, 29 Oct 2026 03:18:03 GMT
ステータス: 翻訳完了
システム内更新日: 2026-11-01 01:32:10.034368
Title: DeCoRL: Decomposed Consistency Reinforcement Learning for Multi-Image Composition
Title（参考訳）: DeCoRL:複数画像合成のための分解整合強化学習
Abstract要約: マルチイメージ合成(MICo)は、大規模な画像編集モデルにおいて、重要かつ困難な機能である。汎用MICoをオブジェクトレベルの一貫性に分解することでMICoの整合性を向上する強化学習フレームワークであるDeCoRLを提案する。 DeCo-BenchとパブリックMICo-Benchの実験では、MICoの一貫性が一貫した改善を示している。
参考スコア（独自算出の注目度）: 27.81036859918076
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multi-image composition (MICo) is a critical yet challenging capability for large-scale image editing models, where consistency degrades rapidly as the number of reference images increases. While supervised fine-tuning (SFT) can equip models with basic MICo ability, it provides only implicit supervision on the composed image and often fails to learn reliable object-level correspondence across multiple references. We propose DeCoRL, a reinforcement-learning (RL) framework that improves MICo consistency by decomposing holistic MICo consistency into object-level consistency. DeCoRL first establishes instruction-relevant object correspondences across reference images and localizes the corresponding regions in the generated image. It then uses a VLM-based reward model trained on single-object consistency annotations to produce fine-grained, object-wise feedback, which is aggregated into a multi-object consistency reward to guide RL post-training. We further introduce DeCo-Bench, a benchmark covering compositions from 2 to 6 reference images. Experiments on DeCo-Bench and the public MICo-Bench demonstrate consistent improvements in MICo consistency.
Abstract（参考訳）: マルチイメージ合成(MICo)は、参照画像の増加に伴って一貫性が急速に低下する大規模画像編集モデルにおいて、重要かつ困難な機能である。教師付き微調整(SFT)は、基本的なMICo能力をモデルに装備できるが、合成画像の暗黙的な監督のみを提供し、複数の参照をまたいだ信頼性の高いオブジェクトレベルの対応を学ばないことが多い。総合的なMICo整合性をオブジェクトレベルの整合性に分解することでMICo整合性を改善するための強化学習(RL)フレームワークであるDeCoRLを提案する。 DeCoRLは、まず、参照画像間の命令関連オブジェクト対応を確立し、生成された画像内の対応する領域をローカライズする。次に、単一のオブジェクトの一貫性アノテーションに基づいてトレーニングされたVLMベースの報酬モデルを使用して、粒度の細かいオブジェクトレベルのフィードバックを生成し、RLポストトレーニングのガイドとして、多オブジェクトの一貫性報酬に集約する。さらに、2から6の参照画像の合成をカバーしたベンチマークであるDeCo-Benchを紹介する。 DeCo-BenchとパブリックMICo-Benchの実験では、MICoの一貫性が一貫した改善を示している。

関連論文リスト

CopyCat: Improving Fine-Grained Subject Consistency in Subject-to-Image Models within Seconds [52.84219088497834]
CopyCatは軽量なモデルリファインメントフレームワークで、わずか数秒で詳細な被写体一貫性を改善する。 DreamBench と XVerseBench の実験では、対象物から対象物までの対象物間の微粒化一貫性が一貫した改善を示した。
論文参考訳（メタデータ） (2026-08-01T13:49:03Z)
Universal Image Restoration via Internalized Chain-of-Thought Reasoning [52.763760468548504]
画像復元は、劣化した入力から高品質なイメージを復元しようとするが、複雑な混合劣化の下で非常に悪影響を及ぼす。最近の研究は、特別なモジュールを用いた複数ラウンドの復元のためのChain-of-Thought (CoT)推論を採用する。 CoTIRは,単一モデル内でCoT推論を内部化する汎用画像復元フレームワークである。
論文参考訳（メタデータ） (2026-06-16T06:01:36Z)
CGC: Compositional Grounded Contrast for Fine-Grained Multi-Image Understanding [15.821484459549369]
MLLMの微細なマルチイメージ理解を促進するための,低コストなフルフレームワークであるComposeal Grounded Contrast (CGC)を提案する。 CGCは、イントラ画像コントラストとイントラ画像コントラストを通じて、コンストラクショナルなマルチイメージトレーニングインスタンスを構築する。 CGC は MIG-Bench や VLM2-Bench などの細粒度マルチイメージのベンチマークで最先端の結果を得る。
論文参考訳（メタデータ） (2026-04-24T12:26:49Z)
MICON-Bench: Benchmarking and Enhancing Multi-Image Context Image Generation in Unified Multimodal Models [89.89575486159795]
マルチイメージコンテキスト生成のためのベンチマークである textbfMICON-Bench を導入する。本稿では,意味的および視覚的整合性の自動検証のためのMLLM駆動型評価-Checkpointフレームワークを提案する。また、推論中に注意を動的に調整し、コヒーレンスを高め、幻覚を減らす訓練不要なプラグアンドプレイ機構であるtextbfDynamic Attention Rebalancing (DAR) を提案する。
論文参考訳（メタデータ） (2026-02-23T04:32:52Z)
UniRef-Image-Edit: Towards Scalable and Consistent Multi-Reference Image Editing [33.64590153603506]
高性能なマルチモーダル生成システムUniRef-Image-Editを提案する。単一画像編集と複数画像合成を単一のフレームワークに統合する。
論文参考訳（メタデータ） (2026-02-15T15:24:03Z)
MICo-150K: A Comprehensive Dataset Advancing Multi-Image Composition [17.112861271220176]
マルチイメージコンポジション(MICo)は、高品質なトレーニングデータが欠如していることもあって、難しい問題である。我々はMICoの体系的な研究を行い、それを7つの代表的なタスクに分類し、高品質なソース画像の大規模なコレクションをキュレートする。我々は,豊富なバランスの取れた合成画像を合成し,その後にヒト・イン・ザ・ループ・フィルタリングと改良を行い,MICo-150Kとなる。包括的評価を実現するため,タスク毎のMICo-Benchを100件,De&Reを300件構築した。
論文参考訳（メタデータ） (2025-12-08T09:40:11Z)
HiCoGen: Hierarchical Compositional Text-to-Image Generation in Diffusion Models via Reinforcement Learning [66.99487505369254]
HiCoGenは、新しいChain of Synthesisパラダイムに基づいて構築されている。複雑なプロンプトを最小の意味単位に分解する。その後、これらのユニットを反復的に合成し、各ステップで生成された画像が次に重要な視覚的コンテキストを提供する。実験により,提案手法は概念カバレッジと構成精度の両方において,既存手法よりも有意に優れていた。
論文参考訳（メタデータ） (2025-11-25T06:24:25Z)
PeRL: Permutation-Enhanced Reinforcement Learning for Interleaved Vision-Language Reasoning [50.21619363035618]
本稿では,マルチモーダルタスクのインターリーブに適した汎用強化学習手法PeRLを提案する。空間的および位置的多様性を探索するために、様々な位置関係をシミュレートするために、画像列の置換を導入する。実験の結果,PeRLのトレーニングモデルは,VLMベースラインを大きなマージンで,R1関連およびインターリーブしたVLMベースラインを一貫して上回っていることがわかった。
論文参考訳（メタデータ） (2025-06-17T18:25:56Z)
CoLLM: A Large Language Model for Composed Image Retrieval [76.29725148964368]
Composed Image Retrieval (CIR)は、マルチモーダルクエリに基づいた画像検索を目的とした複雑なタスクである。本稿では,イメージキャプションペアからトリプレットをオンザフライで生成するワンストップフレームワークであるCoLLMを提案する。我々はLarge Language Models (LLMs) を利用して参照画像の埋め込みと修正テキストを生成する。
論文参考訳（メタデータ） (2025-03-25T17:59:50Z)
CoTMR: Chain-of-Thought Multi-Scale Reasoning for Training-Free Zero-Shot Composed Image Retrieval [13.59418209417664]
Zero-Shot Composed Image Retrieval (ZS-CIR) は、サンプルをトレーニングすることなく、合成クエリから情報を統合してターゲット画像を取得することを目的としている。我々は,ZS-CIRのためのトレーニングフリーフレームワークであるCoTMRを提案し,新しいChain-of-Thought(CoT)とマルチスケール推論を提案する。
論文参考訳（メタデータ） (2025-02-28T08:12:23Z)

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。