Kingfisher: スケール分解による高速パーソナライズ視覚自己回帰生成

- 視覚自己回帰(visual autoregressive)モデルにおける高速なパーソナライズ画像生成フレームワーク「Kingfisher」を提案する研究。 - モデルの重みやLoRA、adapter等の追加学習を行わない model-tuning-free な手法。 - 2枚の実画像から content と style を分離・再合成し、frozen generator で生成を行う。

- 従来のパーソナライズは diffusion models 上で、被写体ごとの重み最適化や textual embeddings、LoRA、adapters に依存することが多かった。 - Kingfisher は学習不要で、frozen な visual autoregressive generator の scale-space 表現を直接操作する点が新しい。 - CSD-100 で pair ごとの準備時間を diffusion 系比で約54倍、VAR 系比で7.5倍短縮。

- 初期の autoregressive scale codes の短い prefix が物体構造と全体外観を強く規定し、後続 scale は軌道の精緻化に寄与するという観察に基づく。 - 初期 residual scale codes を prompt-conditioned scale-code subspaces により content 成分と style 成分へ分解する。 - 一方の content 成分と他方の style 成分を再合成して compact な semantic prefix を作り、frozen generator が残りの scale を bitwise self-correction で予測する。

- CSD-100 上で実験を実施。 - 強い content preservation と、評価手法中で最高の style および text alignment を達成したと報告。 - pair ごとの準備時間を diffusion 系比約54倍、VAR 系比7.5倍削減したと報告。

- 有効なパーソナライズは frozen visual autoregressive generator の native な scale-space 表現の直接操作で実現できると主張。 - 限界や失敗事例、一般化可能性に関する議論は要旨からは不明。

- 比較対象として言及される diffusion models ベースのパーソナライズ手法(LoRA、adapters、textual embeddings 等)。 - VAR 系の代替手法。 - visual autoregressive 生成の基盤手法(VAR)。