論文の概要: WeLM-Image: A Unified Image Generation Model towards Visual Intelligence

• arxiv url: http://arxiv.org/abs/2611.07392v1
• Date: Thu, 05 Nov 2026 03:41:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.502683
• Title: WeLM-Image: A Unified Image Generation Model towards Visual Intelligence
• Title（参考訳）: WeLM-Image:ビジュアルインテリジェンスのための統一画像生成モデル
• Abstract要約: textbfWeLM-Imageは、マルチモーダル理解をテキスト・ツー・イメージ生成、命令誘導編集、マルチ参照合成に統合する。 WeLM-Image-Turboは4.98で1024時間1024ドルの画像を生成する。
• 参考スコア（独自算出の注目度）: 20.258133655334387
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present \textbf{WeLM-Image}, a unified image foundation model that integrates multimodal understanding into text-to-image generation, instruction-guided editing, and multi-reference synthesis. Designed for single-GPU deployment in WeChat's large-scale consumer applications, the model processes text, reference images, and target latents as one interleaved sequence. A Mixture-of-Transformers (MoT) backbone combines shared attention with independent understanding and generation parameters to limit optimization interference. Equipping each path with Mixture-of-Experts (MoE) modules provides sparse capacity, with 31.7B stored parameters and approximately 5.4B generation parameters activated per target latent token. A generation-oriented data engine combines a knowledge-grounded visual vocabulary with large-scale visual clustering to balance semantic coverage and editing tasks, while training-time evaluation guides iterative data refinement. Bilingual annotations and verified editing supervision support progressive training up to native 1.5K resolution. We optimize generation and editing separately with rubric- and checklist-based rewards, then consolidate the specialized policies through noise-aware on-policy distillation. In the reported overall comparisons, the 1536-resolution model ranks first among the evaluated open-source models on PRISM-Bench, Qwen-Image-Bench, and UnicBench. MeanFlow-based few-step distillation yields WeLM-Image-Turbo, which generates a $1024\times1024$ image in 4.98\,s on a single NVIDIA H20 GPU using eight guidance-free steps.
• Abstract（参考訳）: 本稿では,テキスト・ツー・イメージ生成,命令誘導編集,マルチ参照合成にマルチモーダル理解を統合する統合イメージ基盤モデルであるtextbf{WeLM-Image}を提案する。 WeChatの大規模コンシューマアプリケーションでシングルGPUデプロイメント用に設計されたこのモデルは、テキスト、参照イメージ、ターゲットラテントを1つのインターリーブシーケンスとして処理する。 Mixture-of-Transformers (MoT) バックボーンは、最適化干渉を制限するために、共通の注意と独立した理解と生成パラメータを組み合わせる。 それぞれのパスをMixture-of-Experts (MoE)モジュールで取得するとスパース容量が提供され、31.7Bの格納パラメータと約5.4Bの生成パラメータがターゲット潜在トークンごとに活性化される。 世代指向のデータエンジンは、知識基底の視覚語彙と大規模視覚クラスタリングを組み合わせることで、セマンティックカバレッジと編集タスクのバランスを保ち、トレーニング時間評価は反復的なデータ洗練を導く。 バイリンガルアノテーションと検証された編集監督は、ネイティブ1.5K解像度までのプログレッシブトレーニングをサポートする。 我々は,ルーブリックとチェックリストに基づく報酬を別々に生成・編集し,ノイズを意識したオンライン蒸留を通じて専門的な政策を統合する。 報告された全体的な比較では、PRISM-Bench、Qwen-Image-Bench、UnicBenchの1536解像度モデルは、評価されたオープンソースモデルの中で第1位である。 MeanFlowベースの数ステップの蒸留により、WeLM-Image-Turboは4.98\で1024\times1024$イメージを生成する。

関連論文リスト

• MoETok: Sparse Expert Routing for 1D Visual Tokenizers [52.30634907797462]
  MoETokは1Dビジュアルトークンライザで、トークンをわずかにアクティベートされた専門家を通してルーティングする。 ImageNetでは、強力な再構成とセマンティック表現と最先端のクラス条件生成を組み合わせる。
  論文  参考訳（メタデータ） (2026-10-30T16:37:55Z)
• Boogu-Image-0.1: Boosting Open Agentic Multimodal Generation via Understanding under a Minimal Budget [110.65684175617822]
  本稿では,オープンソースの統合マルチモーダル理解・生成モデルファミリであるBoogu-Image-0.1を紹介する。 高品質なテキスト画像生成、高速推論、命令ベースの編集、バイリンガル(中国語)テキストレンダリングにおいて、競争力のあるパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2026-07-14T17:52:05Z)
• Cheers: Decoupling Patch Details from Semantic Representations Enables Unified Multimodal Comprehension and Generation [66.53544128707817]
  Cheersは、パッチレベルの詳細をセマンティック表現から切り離す、統一されたマルチモーダルモデルである。 チェアは視覚的理解と生成の両方において、高度なUMMと一致または超えます。
  論文  参考訳（メタデータ） (2026-03-13T08:55:27Z)
• DeepGen 1.0: A Lightweight Unified Multimodal Model for Advancing Image Generation and Editing [67.77471070868852]
  DeepGen 1.0は、画像生成と編集のための軽量な5B統一モデルである。 わずか5000万のサンプルでトレーニングされており、WISEでは80BのHunyuan Imageを28%、UniREditBenchでは27BのQwen-Image-Editを37%上回っている。 トレーニングコード、ウェイト、データセットをオープンソース化することで、統合マルチモーダルリサーチを民主化する、効率的で高性能な代替手段を提供します。
  論文  参考訳（メタデータ） (2026-02-12T17:44:24Z)
• WEAVE: Unleashing and Benchmarking the In-context Interleaved Comprehension and Generation [98.47375190901447]
  We present WEAVE, the first suite for in-context interleaved cross-modality comprehension and generation。 WeAVE-100kは、370Kのダイアログターンと500Kイメージにまたがる100Kのインターリーブサンプルの大規模なデータセットである。 WeAVEBenchは480の画像に基づいた100のタスクを備えた人手によるベンチマークである。
  論文  参考訳（メタデータ） (2025-11-14T16:02:38Z)
• VideoMV: Consistent Multi-View Generation Based on Large Video Generative Model [34.35449902855767]
  基本的な2つの質問は、トレーニングに使用するデータと、マルチビューの一貫性を確保する方法です。 本稿では,市販のビデオ生成モデルから微調整した,密集した一貫したマルチビュー生成モデルを提案する。 我々のアプローチは24の濃密なビューを生成し、最先端のアプローチよりもはるかに高速にトレーニングに収束する。
  論文  参考訳（メタデータ） (2024-03-18T17:48:15Z)

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。