© LY Corporation Layout-Corrector: Alleviating Layout Sticking Phenomenon in Discrete Diffusion Model 離散拡散モデルにおけるレイアウトの“固着”を緩和する Layout-Corrector の提案 To Non-Japanese Speakers in the Audience: Sorry, I will be speaking in Japanese. However, during the poster session, questions and comments in English are welcome! 1東北⼤学, 2LINEヤフー 岩井翔真1，⻑内淳樹2，北⽥俊輔2，⼤町真⼀郎1

© LY Corporation 2 レイアウトとは 背景 https://miru-committee.github.io/miru2024/ • どの要素を, どこに, どんな⼤きさで 配置するか決めるタスク • 対象：デザインのレイアウト（バナー，UIなど） • 応⽤：デザイナーの⽀援など テキスト テキスト テキスト ロゴ 画像 ボタン テキスト テキスト ロゴ 画像 x 1 x 3 x 1 条件あり⽣成 条件なし⽣成 レイアウト⽣成とは MIRU2024 ホームページ レイアウト ＝要素の配置 調和のとれた⾼品質なレイアウトが求められる

© LY Corporation 3 本研究の⽬標：⽣成ミスを防ぎたい ↓こんなレイアウト，変ですよね？ 背景 第27回 画像の認識・理解シンポジウム ロゴ テキスト テキスト 2024.08.02 XXXXXXXXXXXXXXXXXX 配置がズレてる… 不揃い お知らせ 2024.08.01 XXXXXXXXXXXXXX 2024.07.19 XXXXXXXXXXXXXXXXXXXXX 重なり テキストの上にロゴ…？ ⽣成ミスの原因は 離散拡散モデルの 修正能⼒の低さ Layout-Correctorで ミスの修正をアシスト 離散拡散モデルを 使ったレイアウト⽣成 [Inoue+, CVPR2023] 発表の流れ 1. 準備 2. 事前実験 3. 提案⼿法

© LY Corporation 4 離散拡散モデルを使ったレイアウト⽣成 LayoutDM [Inoue+, CVPR2023] 準備 レイアウトは離散トークン列として表現できる！ テキスト テキスト テキスト ロゴ 画像 ボタン テキスト カテゴリ X座標 Y座標 幅 ⾼さ ロゴ 15px 12px 43px 34px テキスト 56px 21px 72px 15px テキスト 24px 487px 73px 18px … 量⼦化してカテゴリカル変数(離散トークン)化 ボタン 264px 12px 42px 31px 𝑐! 𝑐" 𝑐# 𝑐$ 𝑥! 𝑥# 𝑥$ 𝑥" 𝑦# 𝑦! 𝑦$ 𝑦" 𝑤! 𝑤" 𝑤# 𝑤$ ℎ! ℎ" ℎ# ℎ$ … レイアウト離散トークン列 要素1 要素2 要素3 要素N 要素1 要素2 要素3 要素N 各要素のボックス情報 204 216 252 200 220 240 レイアウト

© LY Corporation 5 離散拡散モデルを使ったレイアウト⽣成 LayoutDM [Inoue+, CVPR2023] 準備 M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M 時刻0 MASKなし 時刻T 完全にMASK 離散拡散モデル 連続拡散モデル 時刻0 ノイズなし 時刻T 完全にノイズ 拡散過程 トークンをMASK する，別トークンに変換 逆拡散過程（⽣成） MASKを外す，別トークンに変換 DDPM [Ho+, NeurIPS2020] M M M M M M デノイザ デノイザ デノイザ デノイザ デノイザ 拡散過程 逆拡散過程

© LY Corporation 6 ⽣成ミスを防ぐには？⽣成途中で修正できれば良いはず 事前実験 M M M M M M M M M M M M M M M M M M M M M M M M M ⽣成終了 M M M M ⽣成ミス発⽣ M M M M M ⽣成終了前にデノイザが 修正できればOK M … … … 初期状態 逆拡散過程（⽣成） （MASKを外す，別トークンに変換） デノイザ デノイザ デノイザ 時刻0 時刻T Q. 実際のところ，でのい に修正能⼒がどのくらいあるのか？ デノイザ デノイザ

© LY Corporation 7 Q. 離散拡散モデルに修正能⼒はある？ → A. 無い or 低い！ 事前実験 本物のレイアウト 3つを別トークンに⼊れ替え ⼈為的に⽣成ミスを発⽣ 修正の成功率を測定 （元のトークンと⼀致するか） Failed Success 事前実験1 Success デノイザ

© LY Corporation 8 Q. 離散拡散モデルに修正能⼒はある？ → A. 無い or 低い！ 事前実験 本物のレイアウト 3つを別トークンに⼊れ替え ⼈為的に⽣成ミスを発⽣ 修正の成功率を測定 （元のトークンと⼀致するか） Failed Success 事前実験1 0.0% 13.2% 15.1% 35.4% 30.8% 29.7% 0.0 0.05 0.1 𝛽 = 0.0 0.05 0.1 𝛽 = 時刻t 時刻t+1 確率𝛽 修正成功率 （事前実験１） 修正成功率 （MASKに置換） 𝛽 = 0：成功率0%（⽣成ミスがそのまま固着） Success 𝛽 > 0：成功率15%程度 離散拡散モデルの修正能⼒は無い or 低い 𝛽：拡散過程で 別トークンに ⼊替わる確率 デノイザ

© LY Corporation 9 Q. 離散拡散モデルに修正能⼒はある？ → MASKに戻すと修正⼒UP M M M デノイザ 事前実験2 3トークンをMASKに置換 0.0% 13.2% 15.1% 35.4% 30.8% 29.7% 0.0 0.05 0.1 𝛽 = 0.0 0.05 0.1 𝛽 = 修正成功率 （事前実験１） 修正成功率 （事前実験２） 修正の成功率を測定 （元のトークンと⼀致するか） Failed Success Success 事前実験 成功率 UP 本物のレイアウト 時刻t 時刻t+1 確率𝛽 𝛽：拡散過程で 別トークンに ⼊替わる確率

© LY Corporation 10 事前実験の結果：MASKに置き換えた場合，修正確率UP 事前実験 ⽣成ミスを直接修正することは難しいが， ⽣成ミスを⼀度MASKに戻せれば 修正できそう！ ⽣成ミスを発⾒するモデル Layout-Corrector の提案 0.0% 13.2% 15.1% 35.4% 30.8% 29.7% 0.0 0.05 0.1 𝛽 = 0.0 0.05 0.1 𝛽 = 修正成功率 （事前実験１） 修正成功率 （事前実験２） 成功率 UP 事前実験2 事前実験1 時刻t 時刻t+1 確率𝛽 𝛽：拡散過程で 別トークンに ⼊替わる確率

© LY Corporation Layout-Corrector：役割 提案⼿法 ⾼ 低 Layout- Corrector 暫定⽣成結果 スコア … 暫定⽣成結果の各トークンの 本物らしさのスコアを推定 低スコアのトークンをMASK ⽣成ミスを発⾒してMASKに戻し，デノイザに修正を促す … デ ノ イ ザ デ ノ イ ザ M M M M M M M 11

© LY Corporation 12 Layout-Corrector：学習 提案⼿法 離散拡散モデルの暫定⽣成結果がGTと⼀致しているか⼆値分類 GTと⼀致 GTと不⼀致 Layout- Corrector BCE ロス GT 本物のレイアウト 暫定⽣成結果 デ ノ イ ザ 本物らしさのスコア 拡散 過程 M M M M M M M GTと⼀致しないトークン（=⽣成ミス）に低スコアをつけるように学習 ⾼ 低 ⽐較

© LY Corporation 13 Layout-Corrector：⽣成の流れ 提案⼿法 … 完成！ 初期状態 M M M M M M M M M M M 時刻T 時刻t 時刻0 … 時刻t-1 … … M M M M M M M M M M M M M M M M M M M M 1時刻ずつMASKを外していってレイアウトを⽣成 1時刻分の処理 逆拡散過程

© LY Corporation 14 Layout-Corrector：⽣成の流れ 提案⼿法 Layout-Corrector で 各トークンの本物らしさを推定 スコアが⼀定以下の トークンをMASK … 完成！ デノイザ で 暫定⽣成結果を取得 初期状態 デノイザ Layout-Corrector M M M M M M M （暫定） ⽣成結果 Layout- Corrector デ ノ イ ザ スコア M M M M 時刻T 時刻t 時刻0 … 時刻t-1 … … 時刻t 時刻t-1 Layout-Corrector は毎時刻使う必要はなく，全時刻（T=100）のうち3時刻のみの使⽤で⼗分 Layout-Corrector M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M M 1時刻分の処理

© LY Corporation 15 実験結果：Layout-Corrector が複数ベースラインの性能改善 LC + LayoutDM LayoutDM (単体) ⽣成ミス （重なり） 修正成功 ⽣成結果 (PubLayNetデータセット) 表 テキスト 定量評価 (FID↓) Rico PubLayNet 6.37 13.7 TC 17.97 22.3 LC 4.79 11.9 単体 70.4 34.2 + TC 15.7 17.6 + LC 14.4 13.7 データセット （LC ） LC ベースライン ⽣成モデル1 TC (Token-Critic): [Lezama+, ECCV2022] MaskGIT: [Chang+, CVPR2022] ✓ 複数ベースライン⽣成モデルの性能改善 ✓ 既存⼿法 TC (Token-Critic) を上回る TC 実験 MaskGIT LayoutDM 単体 + + ベースライン ⽣成モデル2

© LY Corporation 16 まとめ 離散拡散モデルの修正⼒の低さを確認 ⽣成ミスをMASKに戻せば修正できることを確認 まとめ 本研究はECCV2024に採択されました！ arXiv版，ソースコードも公開予定です ü 条件あり⽣成でも効果あり ü ⽣成の多様性をコントロール ü ⽣成ステップ数を減らした時の 品質低下を抑制 ü レイアウトの本物らしさを評価 できることを検証 Accepted! ⽣成ミスを発⾒してMASKに戻すLayout-Corrector Layout-Correctorはベースラインの⽣成性能を改善 続きはポスターで！ Layout-Correctorの効果は他にも… レイアウト⽣成の⽣成ミスを防ぎたい ⽬標 事前 実験 提案 実験