星月夜を超えて：アーティストを基盤としたテキスト画像生成のためのショートカット認識制御状態計画

要旨

アーティスト基盤型画像生成には、プロンプトにアーティスト名を付加するだけでは不十分である。画像モデルは、ユーザーが意図したシーンを保持する代わりに、繰り返し登場するモチーフ、画一的なパレット、過剰に顕在化する時代的特徴といった典型的なショートカットを通じてアーティスト名に反応することが多い。本稿では、アーティスト基盤型画像生成のためのショートカット認識型制御状態プランニングフレームワークであるAtelierを提案する。Atelierは、未指定の芸術的意図を、シーンアンカー、保持/変換の決定、スタイルレジーム仮説、役割に紐づいたアーティスト証拠、ショートカット回避制約を分離した明示的な制御状態へと変換する。この状態をアーティストレベルの知識と局所パッチ参照を用いて接地し、バックエンドを考慮した生成プランをコンパイルし、グローバルおよびローカルな真正性フィードバックを通じて候補を反復的に洗練する。さらに、ゴッホと斉白石を対象とし、作品の再レンダリング、時代/スタイル制御生成、歴史的に未見の主題、ショートカット監査、人間の嗜好評価を網羅するベンチマークであるArtIntentBenchを導入する。オープンウェイトおよびクローズドソースの生成器にわたって、Atelierはアーティストレベルのスタイル忠実度を向上させ、ソース構造をより忠実に保持し、プロンプトエンジニアリング、検索拡張、汎用エージェントの各ベースラインと比較してショートカット置換を大幅に削減する。これらの結果は、アーティスト基盤型生成のボトルネックが画像合成だけでなく、明示的で証拠に基づく芸術的制御の上流推論にあることを示唆している。

English

Artist-grounded image generation requires more than appending an artist name to a prompt. Image models often respond to artist names through canonical shortcuts, such as recurring motifs, generic palettes, or overrepresented period signatures, rather than preserving the user's intended scene. We introduce Atelier, a shortcut-aware control-state planning framework for artist-grounded image generation. Atelier translates underspecified artistic intent into an explicit control state that separates scene anchors, preserve/transform decisions, style-regime hypotheses, role-bound artist evidence, and shortcut-avoidance constraints. It grounds this state using artist-level knowledge and local patch references, compiles backend-aware generation plans, and iteratively refines candidates through global and local authenticity feedback. We further introduce ArtIntentBench, a benchmark covering Van Gogh and Qi Baishi across artwork re-rendering, period/style-controlled generation, historically unseen subjects, shortcut auditing, and human preference evaluation. Across open-weight and closed-source generators, Atelier improves artist-level style fidelity, preserves source structure more faithfully, and substantially reduces shortcut substitution compared with prompt-engineered, retrieval-augmented, and general-purpose agent baselines. These results suggest that artist-grounded generation is bottlenecked not only by image synthesis, but by the upstream inference of explicit, evidence-grounded artistic controls.