論文の概要: Flat Features, Detailed Images? Simple Detail Control for Diffusion Transformers

• arxiv url: http://arxiv.org/abs/2611.02551v1
• Date: Mon, 02 Nov 2026 05:26:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-11 20:37:32.865249
• Title: Flat Features, Detailed Images? Simple Detail Control for Diffusion Transformers
• Title（参考訳）: 平坦な特徴, 詳細画像? 拡散変換器の簡易詳細制御
• Abstract要約: 我々は、スカラーに応じて詳細度を継続的に調整する、トレーニング不要のアプローチを導入する。 提案手法は,画像の品質と意味的構造を保ちながら,詳細なメトリクスを連続的に制御できることを示す。
• 参考スコア（独自算出の注目度）: 56.50302166292145
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prompt engineering is commonly used to encourage text-to-image models to generate more detailed images. However, it does not provide reliable, continuous, or disentangled control. We analyze feature tokens produced with and without detail-enhancing prompts across six diffusion transformers and observe a common pattern: these prompts tend to increase the entropy of each token's energy distribution while largely preserving its ordering. That is, flattening the distribution increases the level of detail. Motivated by this counter-intuitive finding, we introduce a simple training-free approach that continuously adjusts the level of detail according to a scalar. Specifically, it shifts the squared channel magnitudes of each token toward a higher entropy distribution with a time-aware scheduler to concentrate the intervention at intermediate sampling steps. Across extensive experiments on different types of diffusion transformers, we show that our approach provides continuous control over detail metrics while largely preserving image quality and semantic structure. It requires only a few lines of code and adds negligible inference time overhead.
• Abstract（参考訳）: プロンプトエンジニアリングは、より詳細な画像を生成するためにテキスト・ツー・イメージモデルを促進するために一般的に使用される。 しかし、信頼性、連続性、あるいは非絡み合いの制御を提供しない。 我々は、6つの拡散変圧器にまたがる詳細エンハンシングプロンプトを用いて生成された特徴トークンを分析し、共通のパターンを観察する:これらのプロンプトは、その順序を保ちながら、各トークンのエネルギー分布のエントロピーを増大させる傾向がある。 つまり、分布をフラットにするということは、詳細度を増大させる。 この反直感的な発見に触発され、スカラーに応じて細部を継続的に調整する単純なトレーニング不要のアプローチを導入する。 具体的には、各トークンの正方形チャネルの大きさを、タイムアウェアなスケジューラで高エントロピー分布にシフトし、中間サンプリングステップで介入に集中する。 拡散変換器の多種多種多様な実験により,画像の品質と意味的構造を保ちながら,詳細な指標を連続的に制御できることが示唆された。 ほんの数行のコードだけで、無視可能な推論時間のオーバーヘッドを追加する。

関連論文リスト

• Breaking the Lock-in: Diversifying Text-to-Image Generation via Representation Modulation [25.553618756894593]
  我々は,この成分を早期に選択的に減衰させる訓練自由表現レベル介入であるdiVersity Enhancement (DAVE) のDC減衰を提案する。 DAVEは、サンプリングパイプラインを無視可能なオーバーヘッドで保存し、競合画像の品質を維持しながら、即時一貫性の多様性を改善している。
  論文  参考訳（メタデータ） (2026-06-05T01:27:44Z)
• From Sparsity to Simplicity: Enabling Simpler Sequential Replacements via Sparse Attention Distillation [10.58477116337273]
  自己注意は、大規模なトランスフォーマー事前訓練の基盤となるが、その二次トークン相互作用コストは推論コストを高くする。 より単純なシーケンシャルなモジュールで注意を引くことは魅力的であるが、特に大規模では、単純な置換がしばしば失われる。 本稿では,空間レンズによる注目の代替について再検討する。
  論文  参考訳（メタデータ） (2026-05-15T07:47:32Z)
• Attention Frequency Modulation: Training-Free Spectral Modulation of Diffusion Cross-Attention [1.4323566945483497]
  クロスアテンション(Cross-attention)は、テキスト条件が遅延拡散モデルとなる主要なインターフェースである。 本稿では,Attention Frequency Modulation (AFM)を紹介した。
  論文  参考訳（メタデータ） (2026-03-30T07:24:41Z)
• Understanding Transformers for Time Series: Rank Structure, Flow-of-ranks, and Compressibility [90.894232610821]
  我々は、ランク構造のレンズを通してトランスフォーマーを解析する。 時系列埋め込みは急激な減衰特異値スペクトルを示すことを示す。 関連する$Q/K/V$プロジェクションが正確な低ランク近似を持つことを示す。
  論文  参考訳（メタデータ） (2025-10-02T23:56:17Z)
• FreSca: Scaling in Frequency Space Enhances Diffusion Models [55.75504192166779]
  本稿では,潜時拡散モデルにおける周波数制御について検討する。 本稿では,低周波成分と高周波成分にノイズ差を分解する新しいフレームワークFreScaを紹介する。 FreScaはモデルの再トレーニングやアーキテクチャの変更なしに動作し、モデルとタスクに依存しない制御を提供する。
  論文  参考訳（メタデータ） (2025-04-02T22:03:11Z)
• Efficient Diffusion Transformer with Step-wise Dynamic Attention Mediators [83.48423407316713]
  本稿では,クエリとキーを別々に扱うために,追加の仲介者トークンを組み込んだ新しい拡散トランスフォーマーフレームワークを提案する。 本モデルでは, 正確な非曖昧な段階を呈し, 詳細に富んだ段階へと徐々に遷移する。 本手法は,最近のSiTと統合した場合に,最先端のFIDスコア2.01を達成する。
  論文  参考訳（メタデータ） (2024-08-11T07:01:39Z)
• Adversarial Supervision Makes Layout-to-Image Diffusion Models Thrive [21.49096276631859]
  現行のL2Iモデルは、テキスト経由の編集性が悪いか、生成された画像と入力レイアウトとのアライメントが弱いかのいずれかである。 我々は、従来のL2I拡散モデル(ALDM)の訓練パイプラインに敵の監督を統合することを提案する。 具体的には,画像と入力レイアウトとの間の画素レベルのアライメントに対して,拡散発生器に対して明示的なフィードバックを提供するセグメンテーションに基づく判別器を用いる。
  論文  参考訳（メタデータ） (2024-01-16T20:31:46Z)
• Readout Guidance: Learning Control from Diffusion Features [96.22155562120231]
  本稿では,学習信号を用いたテキスト・画像拡散モデル制御手法であるReadout Guidanceを提案する。 Readout Guidanceはリードアウトヘッドを使用し、トレーニング済みの凍結拡散モデルの特徴から信号を取り出すために訓練された軽量ネットワークである。 これらの読み出しは、ポーズ、深さ、エッジなどのシングルイメージ特性や、対応性や外観類似性といった複数の画像に関連する高次特性を符号化することができる。
  論文  参考訳（メタデータ） (2023-12-04T18:59:32Z)

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。