Coherent Zero-Shot Visual Instruction Generation

要約

テキストから画像への合成、特に拡散モデルの進歩にもかかわらず、一連のステップにわたるオブジェクトの一貫した表現と滑らかな状態遷移を必要とする視覚的命令を生成することは依然として大きな課題です。
このペーパーでは、拡散モデルと大規模言語モデル (LLM) の進歩を利用して、問題に取り組むためのシンプルでトレーニング不要のフレームワークを紹介します。
私たちのアプローチは、テキスト理解と画像生成を体系的に統合して、視覚的な指示が視覚的に魅力的であることを保証し、指示シーケンス全体で一貫性と正確さを維持します。
マルチステップの指示をテストし、テキストの配置と一貫性をいくつかのベースラインと比較することで、有効性を検証します。
私たちの実験は、私たちのアプローチが一貫性のある視覚的に楽しい指示を視覚化できることを示しています

要約(オリジナル)

Despite the advances in text-to-image synthesis, particularly with diffusion models, generating visual instructions that require consistent representation and smooth state transitions of objects across sequential steps remains a formidable challenge. This paper introduces a simple, training-free framework to tackle the issues, capitalizing on the advancements in diffusion models and large language models (LLMs). Our approach systematically integrates text comprehension and image generation to ensure visual instructions are visually appealing and maintain consistency and accuracy throughout the instruction sequence. We validate the effectiveness by testing multi-step instructions and comparing the text alignment and consistency with several baselines. Our experiments show that our approach can visualize coherent and visually pleasing instructions

arxiv情報

提供元, 利用サービス

arxiv.jp, Google