Semantic Browsing: Controllable Diversity for Image Generation
Modern text-to-image models excel in visual fidelity and prompt adherence. However, this strict adherence comes at the cost of diversity: generated samples tend to collapse into a single visual interpretation. Existing methods to improve diversity produce outputs driven by incidental variations rather than meaningful design choices. This motivates a new variant of the diversity task where structure is enforced on the generated samples. We introduce a method for controlled diversity that enables Semantic Browsing, where users can navigate structured image galleries and experience creative exploration through a systematic traversal of meaningful, interpretable axes of variation. Achieving this level of semantic control requires a deep understanding of the scene. We exploit the fact that recent text-to-image models are trained on elaborated captions, effectively decoupling semantic decision-making from pixel generation. This enables a paradigm shift: instead of relying on stochastic variation within the text-to-image model, we induce diversity directly at the text level. By leveraging rich textual representations, we allow a Vision Language Model (VLM) to operate on the full scene context. To overcome the generic outputs typical of standard VLMs, we employ an agentic workflow that explicitly enforces structured variation attuned to the original prompt. We demonstrate that our method produces diverse and navigable design spaces where every variation corresponds to a specific, user-understandable semantic decision.
Image: Daily English Reader / Local generated SVG (Project-owned local asset)
B1 Version
Click any word for its Thai meaning.
สรุป/คำแปลไทย
ข่าวนี้มาจาก arXiv อยู่ในหมวดเทคโนโลยี และถูกเรียบเรียงเป็นระดับ B1. เนื้อหาข่าวคือ โมเดลสมัยใหม่ของ text-to-image ดีกว่าในความซื่อสัตย์ภาพและการสอดคล้องอย่างรวดเร็ว. แต่ การยึดถืออย่างเข้มงวดนี้เกิดขึ้นในราคาของความหลากหลาย ตัวอย่างที่เกิดขึ้นมักจะล้มเหลวในการตีความภาพเดียว. วิธีการที่มีอยู่เพื่อปรับปรุงความหลากหลายผลิตผลโดยการเปลี่ยนแปลงโดยบังเอิญ แทนการเลือกออกแบบที่มีความหมาย. สิ่งนี้เป็นแรงบันดาลใจให้มีการเปลี่ยนแปลงใหม่ของงานความหลากหลาย โดยมีการบังคับโครงสร้างบนตัวอย่างที่สร้างขึ้น. เราแนะนําวิธีการสำหรับความหลากหลายที่ควบคุม ซึ่งช่วยให้การค้นหาสาระได้ โดยที่ผู้ใช้ทำได้เดินตามห้องแสดงภาพรูปแบบที่มีโครงสร้างได้. และประสบการณ์การสํารวจทางสร้างสรรค์ ผ่านการเคลื่อนไหวแบบระบบของแกนความแตกต่างที่มีความหมาย และทำได้ตีความได้. การบรรลุระดับการควบคุมความหมายนี้ต้องเข้าใจสถานการณ์อย่างลึกซึ้ง. เราใช้ข้อเท็จจริงที่ว่า รูปแบบเติมเนื้อหา-ภาพล่าสุดได้รับการฝึกอบรมบนหัวข้อที่ยุ่งยาก โดยแยกการตัดสินใจทางสาระจากการสร้างพิกเซลได้อย่างมีประสิทธิภาพ. ซึ่งทำให้เกิดการเปลี่ยนแปลงแบบจําลอง แทนที่จะพึ่งพากันการเปลี่ยนแปลงแบบ stochastic ภายในรูปแบบ text-to-image.
Save & Review
Only words saved from this story appear here.