予約領域を厳密に保持するプロンプト認識型アニール拡散サンプリング

- 拡散モデル（Diffusion models）による画像生成において、見出し・ロゴ・UI要素などのために指定領域を空けておく（clean なまま保持する）ことを可能にする、training-free のサンプリングフレームワーク。 - 提案名は Prompt-Aware Shared-Latent Training-Free Annealed Diffusion Sampling（PASTA）。 - 予約領域（reserved region）制約を、サンプリング中にオブジェクト許可領域へ選択的に意味的ガイダンスを適用することで強制する。

- 既存の layout-aware text-to-image 手法は予約領域を厳密に保持できず、不要なコンテンツが混入し下流の編集を難しくする。 - 既存手法は attention 操作でコンテンツを退避させるか、noise-level 介入で conditioning を抑制するが、視覚的コヒーレンスを犠牲にし、平坦な領域や予約/非予約領域間の顕著なスタイル不整合を生む。 - PASTA は training-free のまま予約領域の忠実性を高めつつ、画像全体のリアリズムと知覚的一貫性を保つ点が異なる。

- 共有潜在軌跡（shared latent trajectory）上で動作し、full-prompt ガイダンスと context-prompt ガイダンスを mask-guided sampling により融合する。 - 予約領域制約を、オブジェクト許可領域にのみ選択的に意味的ガイダンスを適用することで実現。 - annealed schedule を導入し、初期 denoising 段階での意味的リーク（semantic leakage）を抑制し、後段で視覚的一貫性を段階的に回復させる。 - 全体として training-free の枠組み。

- Extensive experiments により、予約領域の忠実性（reserved-region fidelity）を改善しつつ、画像全体のリアリズムと知覚的一貫性を保つことを示した、と要旨は述べる。 - 具体的なデータセット名・評価指標・比較手法名は要旨からは不明。

- 要旨からは不明（限界や失敗ケース、計算コスト、マスク指定方法などの議論は明示されていない）。 - 示唆される論点として、予約/非予約領域間のスタイル整合性と意味的リーク抑制のトレードオフが挙げられるが、詳細は要旨からは不明。

- 要旨で明示的に参照されている個別論文名はない。関連手法カテゴリとして、layout-aware text-to-image、attention 操作によるコンテンツ退避、noise-level 介入による conditioning 抑制の各手法が比較対象として挙げられる。 - 同分野の定番として、Diffusion models の training-free サンプリング（classifier-free guidance 等）や、mask 条件付き生成（inpainting / layout-to-image）関連の研究を次に読む候補として挙げる。