論文の概要: Same Layout, Different Count: What Number Words Do Past Ten in Text-to-Image Models
- arxiv url: http://arxiv.org/abs/2611.06840v1
- Date: Wed, 04 Nov 2026 17:57:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:58.225145
- Title: Same Layout, Different Count: What Number Words Do Past Ten in Text-to-Image Models
- Title(参考訳): テキストと画像のモデルでは、単語が過去10年間に何をするか
- Abstract要約: 要求が約10個のオブジェクトを5つのオープンテキスト・ツー・イメージモデルで通過すると、何語が行うかを調査する。
数字の単語はいまだにデノイザーに届き、最初のステップで機能するが、私たちが試したものは何も明らかにしていない。
- 参考スコア(独自算出の注目度): 0.30693357740321775
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ask SD3.5-Medium for twelve of an object and then, from the same starting noise, for twenty-five. The picture keeps its layout, but the count changes about as much as it would under a new random seed, and in no consistent direction. We study what number words do once a request passes about ten objects, in five open text-to-image models. Holding the object and the starting noise fixed, we change one thing at a time, and people who never see the request count 3,088 of the images. Every model follows the number for small crowds, but only up to a point, its reach: SD3.5-M and FLUX.1-dev stop following it soon after ten, while FLUX.2 [klein] and Qwen-Image follow it loosely up to twenty-five. Beyond SD3.5-M's reach, the coarse part of the starting noise fixes the composition of the picture but not how many objects it holds: redrawing only the noise finer than an eighth of the image keeps the layout as well as a new number does, and already moves the count two-thirds as far. The number word still reaches the denoiser and acts in its first steps, but nothing we tried gives it a clear direction. Shown instead as a noised grid in the starting latent, the count is drawn: people find it in 59% of images, against 4% when it is only told. Past ten, an exact-match score barely separates a model that follows the number loosely from one that ignores it, and a relative-error score can even prefer a constant guess of sixteen. A same-noise test with a few requests per object tells them apart.
- Abstract(参考訳): 12個のオブジェクトに対してSD3.5-Mediumを、同じスタートノイズから25個のオブジェクトに問う。
画像はレイアウトを保っているが、その数は新しいランダムシードと同じ程度に変化し、一貫した方向は変わらない。
要求が10個のオブジェクトを通過すれば、何語ができるかを、5つのオープンテキスト・ツー・イメージモデルで調べる。
オブジェクトと開始音を固定すると、一度に1つだけ変更します。
SD3.5-M と FLUX.1-dev は10日後に、FLUX.2 [klein] と Qwen-Image は25分まで緩やかに続く。
SD3.5-Mの範囲を超えて、開始するノイズの粗い部分が画像の組成を固定するが、それが保持するオブジェクトの数ではない:画像の8分の1よりも小さなノイズのみを描画すると、レイアウトと新しい番号が保たれ、既に3分の2が移動している。
数字の単語はいまだにデノイザーに届き、最初のステップで機能するが、私たちが試したものは何も明らかにしていない。
最初はノイズの多いグリッドとして表示され、画像の59%に表示される。
過去10年間、正確なマッチスコアは、その数を緩やかにフォローするモデルを無視するモデルとほとんど区別せず、相対エラースコアは16の一定の推定を好むことができる。
オブジェクトごとにいくつかのリクエストがある同じノイズテストは、それらを分離します。
関連論文リスト
- Give the Model a Finger: Developmentally Aligned Evaluation of Counting in Vision-Language Models [6.089506784813256]
視覚言語モデル(VLM)は,小集合上では正確であり,より大きな集合では推定される。
トレーニング不要のエージェントループにおいて,視覚的知性を持たない,愚かなイメージツールと同じアクションをVLMに与える。
論文 参考訳(メタデータ) (2026-10-20T07:19:03Z) - Only Means Only: what a harmonization benchmark score averages over [0.0]
写真は1,399枚で、その上に作られた合成物はテストセットの4分の1です。
そのクォーターでは、3つのメソッドが、残りの2倍から5倍のエラーを読み取ります。
本研究は,5,581個の複合材料を用いて,構成のアイデンティティが訓練中に現れない試験リストを作成した。
論文 参考訳(メタデータ) (2026-10-18T16:37:25Z) - Why VLMs Miss Small Objects, and When Zooming In Is Safe [2.842028685390758]
視覚言語モデル(VLM)は、大きな画像の小さなオブジェクトを見逃すことが多い。
どのような制限があるのか、どの制限がより優れたモデルを取り除けるのか、そして、大規模な画像を扱う古典的な方法、局所的な分解には、まだ未来があるのか、という3つの問いに答える。
論文 参考訳(メタデータ) (2026-10-07T02:10:52Z) - VDiff-Bench: A Challenging Benchmark for Fine-Grained Image Difference Identification [53.25222629244709]
VDiff-Benchは、微細な画像差分識別のためのベンチマークである。
それぞれの質問は2つのイメージ入力に対応し、真の違い、2つの強い否定的な説明、そして「違いなし」の気晴らしの4つの選択肢がある。
11の最先端のオープンソースおよびクローズドソースMLLMによる実験は、きめ細かいビジュアル比較が不安定であることを示している。
論文 参考訳(メタデータ) (2026-09-05T20:20:24Z) - Part Grounding, Not Action Knowledge: Locating the Bottleneck in VLM Affordance Prediction [0.0]
3人の開発者を対象にした8つのモデルと、ロボットが適用すべき動きについて尋ねます。
オープンプロンプトの下で、プッシュは64評価で1度生成され、19のオブジェクトのうち8つが正しいにもかかわらず、提案されたラベルセットに毎回表示される。
目標部分を命名すると、各モデルのアクション精度が0.158-0.474から0.684-0.947に0.32から0.63に上昇し、0-1/8から7-8/8にリコールされる。
オープンプロンプトの下のイメージを無視する一定の答えを負うモデルは存在しない。
論文 参考訳(メタデータ) (2026-09-01T05:03:51Z) - Fillerbuster: Multi-View Scene Completion for Casual Captures [48.12462469832712]
本稿では,新しい大規模多視点潜伏拡散変換器を用いて3次元シーンの未知領域を完結するFillerbusterを提案する。
我々の解決策は、未知のターゲットビューを生成し、必要に応じて画像のポーズを復元しながら、入力フレームの広いコンテキストを消費できる生成モデルを訓練することである。
論文 参考訳(メタデータ) (2025-02-07T18:59:51Z) - Fast Learning of Signed Distance Functions from Noisy Point Clouds via Noise to Noise Mapping [54.38209327518066]
点雲から符号付き距離関数を学習することは、3Dコンピュータビジョンにおいて重要な課題である。
クリーンポイントクラウドや地上の真理監督を必要としないノイズ・ノイズマッピングを用いてSDFを学習することを提案する。
我々の新しい特徴はノイズ・ト・ノイズマッピングにあり、1つの物体やシーンの高精度なSDFを、その多重または単一ノイズの観測から推測することができる。
論文 参考訳(メタデータ) (2024-07-04T03:35:02Z) - Teaching CLIP to Count to Ten [18.703050317383322]
大規模視覚言語モデル(VLM)の定量的理解を改善するための,シンプルで効果的な手法を提案する。
そこで本研究では,既存のVLMを本来の目的に合わせて微調整するために,新たな計数コントラスト損失を提案する。
私たちの知る限りでは、この作業はCLIPの機能をオブジェクトカウントに拡張した最初のものです。
論文 参考訳(メタデータ) (2023-02-23T14:43:53Z) - Negative Frames Matter in Egocentric Visual Query 2D Localization [119.23191388798921]
最近リリースされたEgo4Dデータセットとベンチマークは、一人称視覚知覚データを大幅にスケールし、多様化している。
Visual Queries 2Dローカライゼーションタスクは、1対1の視点で記録された過去に存在するオブジェクトを検索することを目的としている。
本研究は,Epsodic Memoryベンチマークで導入された3段階ベースラインに基づく。
論文 参考訳(メタデータ) (2022-08-03T09:54:51Z) - Counting from Sky: A Large-scale Dataset for Remote Sensing Object
Counting and A Benchmark Method [52.182698295053264]
リモートセンシング画像から高密度物体をカウントすることに興味がある。自然界における物体のカウントと比較すると、このタスクは、大規模変動、複雑な乱れ背景、配向仲裁といった要因において困難である。
これらの課題に対処するために,我々はまず,4つの重要な地理的対象を含むリモートセンシング画像を用いた大規模オブジェクトカウントデータセットを構築した。
次に、入力画像の密度マップを生成する新しいニューラルネットワークを設計することで、データセットをベンチマークする。
論文 参考訳(メタデータ) (2020-08-28T03:47:49Z) - Powers of layers for image-to-image translation [60.5529622990682]
本稿では,未ペア画像から画像への変換タスクに対処するシンプルなアーキテクチャを提案する。
固定重み付きイメージオートエンコーダアーキテクチャから始める。
各タスクに対して、潜在空間で動作している残留ブロックを学習し、ターゲット領域に到達するまで繰り返し呼び出される。
論文 参考訳(メタデータ) (2020-08-13T09:02:17Z)
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。