PhotoQuilt: Fotomosaicos de Resolución Arbitraria Sin Entrenamiento Mediante Eliminación de Ruido por Teselas Bootstrap

Resumen

Los fotomosaicos son imágenes grandes cuyas regiones locales se perciben como mosaicos independientes, mientras que su disposición general forma una escena coherente. Generarlos en alta resolución, con cada mosaico convincente por sí mismo, resulta costoso computacionalmente, ya que el lienzo debe contener muchos mosaicos detallados al mismo tiempo. Presentamos PhotoQuilt, un marco sin entrenamiento que genera fotomosaicos en resoluciones arbitrarias. Los modelos de difusión tienen dificultades para satisfacer ambas escalas simultáneamente, pues la generación directa de alta resolución es costosa y tiende a producir una imagen homogénea en lugar de un mosaico, mientras que el mosaico por parches conserva el detalle local pero pierde la estructura global. PhotoQuilt resuelve esto con un procedimiento de eliminación de ruido por mosaicos anidados. Primero generamos una composición global en baja resolución para fijar el diseño, luego la ampliamos en el espacio latente y reinyectamos ruido para restaurar la capacidad generativa. La eliminación de ruido procede dentro de mosaicos fijos, de modo que cada uno forma su propia imagen mientras la estructura global compartida los mantiene en un único diseño. Dado que la generación de mosaicos se maneja por separado, PhotoQuilt escala a lienzos grandes sin el costo de atención cuadrática. Los experimentos muestran que PhotoQuilt supera a las líneas base actuales tanto en estructura global como en realismo local.

English

Photomosaics are large images whose local regions are seen as independent tiles while their overall arrangement forms a coherent scene. Generating them at high resolution, with every tile convincing in its own right, is computationally expensive, since the canvas must hold many detailed tiles at once. We present PhotoQuilt, a training-free framework that generates photomosaics at arbitrary resolution. Diffusion models struggle to satisfy both scales at once, as direct high-resolution generation is costly and tends toward one smooth image rather than a mosaic, while patch-based tiling keeps local detail but loses global structure. PhotoQuilt resolves this with a bootstrapped tiled denoising procedure. We first produce a global composition at low resolution to fix the layout, then upscale it in latent space and re-inject noise to restore generative capacity. Denoising proceeds within fixed tiles, so each forms its own image while the shared global structure holds them in one layout. Because tile generation is handled separately, PhotoQuilt scales to large canvases without quadratic attention cost. Experiments show that PhotoQuilt outperforms current baselines on both global structure and local realism.