Buchumschlag

MultiBanana: A Challenging Benchmark for Multi-Reference Text-to-Image Generation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Oshima, Yuta, Miyake, Daiki, Matsutani, Kohsei, Iwasawa, Yusuke, Suzuki, Masahiro, Matsuo, Yutaka, Furuta, Hiroki
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

WorldPack: Compressed Memory Improves Spatial Consistency in Video World Modeling
von: Oshima, Yuta, et al.
Veröffentlicht: (2025)

Inference-Time Text-to-Video Alignment with Diffusion Latent Beam Search
von: Oshima, Yuta, et al.
Veröffentlicht: (2025)

SSM Meets Video Diffusion Models: Efficient Long-Term Video Generation with Structured State Spaces
von: Oshima, Yuta, et al.
Veröffentlicht: (2024)

Zipping the Thought: When and How Compressed Reasoning Data Works in LLM Post-Training
von: Matsutani, Kohsei, et al.
Veröffentlicht: (2026)

RL Squeezes, SFT Expands: A Comparative Study of Reasoning LLMs
von: Matsutani, Kohsei, et al.
Veröffentlicht: (2025)

ColorizeDiffusion v2: Enhancing Reference-based Sketch Colorization Through Separating Utilities
von: Yan, Dingkun, et al.
Veröffentlicht: (2025)

CLIP-like Model as a Foundational Density Ratio Estimator
von: Uchiyama, Fumiya, et al.
Veröffentlicht: (2025)

Enhancing Unimodal Latent Representations in Multimodal VAEs through Iterative Amortized Inference
von: Oshima, Yuta, et al.
Veröffentlicht: (2024)

Beyond Induction Heads: In-Context Meta Learning Induces Multi-Phase Circuit Emergence
von: Minegishi, Gouki, et al.
Veröffentlicht: (2025)

Unlocking Noise-Resistant Vision: Key Architectural Secrets for Robust Models
von: Kim, Bum Jun, et al.
Veröffentlicht: (2025)

Realtime Data-Efficient Portrait Stylization Based On Geometric Alignment
von: Wang, Xinrui, et al.
Veröffentlicht: (2022)

EC-Bench: Enumeration and Counting Benchmark for Ultra-Long Videos
von: Tsuchiya, Fumihiko, et al.
Veröffentlicht: (2026)

Rethinking Evaluation of Sparse Autoencoders through the Representation of Polysemous Words
von: Minegishi, Gouki, et al.
Veröffentlicht: (2025)

Towards Empirical Interpretation of Internal Circuits and Properties in Grokked Transformers on Modular Polynomials
von: Furuta, Hiroki, et al.
Veröffentlicht: (2024)

Improving Dynamic Object Interactions in Text-to-Video Generation with AI Feedback
von: Furuta, Hiroki, et al.
Veröffentlicht: (2024)

Towards High-resolution and Disentangled Reference-based Sketch Colorization
von: Yan, Dingkun, et al.
Veröffentlicht: (2026)

Image Referenced Sketch Colorization Based on Animation Creation Workflow
von: Yan, Dingkun, et al.
Veröffentlicht: (2025)

Leave No Observation Behind: Real-time Correction for VLA Action Chunks
von: Sendai, Kohei, et al.
Veröffentlicht: (2025)

E3VS-Bench: A Benchmark for Viewpoint-Dependent Active Perception in 3D Gaussian Splatting Scenes
von: Sakamoto, Koya, et al.
Veröffentlicht: (2026)

Negative-prompt Inversion: Fast Image Inversion for Editing with Text-guided Diffusion Models
von: Miyake, Daiki, et al.
Veröffentlicht: (2023)

Topology of Reasoning: Understanding Large Reasoning Models through Reasoning Graph Properties
von: Minegishi, Gouki, et al.
Veröffentlicht: (2025)

Understanding Emergent Misalignment via Feature Superposition Geometry
von: Minegishi, Gouki, et al.
Veröffentlicht: (2026)

JMed48k: A Multi-Profession Japanese Medical Licensing Benchmark for Vision-Language Model Evaluation
von: Xun, Yue, et al.
Veröffentlicht: (2026)

Learning from Majority Label: A Novel Problem in Multi-class Multiple-Instance Learning
von: Kaito, Shiku, et al.
Veröffentlicht: (2025)

Frequency-Calibrated Membership Inference Attacks on Medical Image Diffusion Models
von: Zhao, Xinkai, et al.
Veröffentlicht: (2025)

Multi-modal Reference Learning for Fine-grained Text-to-Image Retrieval
von: Ma, Zehong, et al.
Veröffentlicht: (2025)

EgoInstruct: An Egocentric Video Dataset of Face-to-face Instructional Interactions with Multi-modal LLM Benchmarking
von: Sakai, Yuki, et al.
Veröffentlicht: (2025)

Inference-time Trajectory Optimization for Manga Image Editing
von: Furuta, Ryosuke
Veröffentlicht: (2026)

Conditional Text-to-Image Generation with Reference Guidance
von: Kim, Taewook, et al.
Veröffentlicht: (2024)

MultiRef: Controllable Image Generation with Multiple Visual References
von: Chen, Ruoxi, et al.
Veröffentlicht: (2025)

MMMG: A Massive, Multidisciplinary, Multi-Tier Generation Benchmark for Text-to-Image Reasoning
von: Luo, Yuxuan, et al.
Veröffentlicht: (2025)

UniCustom: Unified Visual Conditioning for Multi-Reference Image Generation
von: Xu, Yiyan, et al.
Veröffentlicht: (2026)

VTEdit-Bench: A Comprehensive Benchmark for Multi-Reference Image Editing Models in Virtual Try-On
von: Liang, Xiaoye, et al.
Veröffentlicht: (2026)

Learning Multi-dimensional Human Preference for Text-to-Image Generation
von: Zhang, Sixian, et al.
Veröffentlicht: (2024)

MIGC: Multi-Instance Generation Controller for Text-to-Image Synthesis
von: Zhou, Dewei, et al.
Veröffentlicht: (2024)

Instilling Multi-round Thinking to Text-guided Image Generation
von: Zeng, Lidong, et al.
Veröffentlicht: (2024)

Benchmarking and Learning Multi-Dimensional Quality Evaluator for Text-to-3D Generation
von: Zhang, Yujie, et al.
Veröffentlicht: (2024)

MACRO: Advancing Multi-Reference Image Generation with Structured Long-Context Data
von: Chen, Zhekai, et al.
Veröffentlicht: (2026)

MultiHuman-Testbench: Benchmarking Image Generation for Multiple Humans
von: Borse, Shubhankar, et al.
Veröffentlicht: (2025)

From Descriptive Richness to Bias: Unveiling the Dark Side of Generative Image Caption Enrichment
von: Hirota, Yusuke, et al.
Veröffentlicht: (2024)