論文の概要: NeuSEditor: From Multi-View Images to Text-Guided Neural Surface Edits

• arxiv url: http://arxiv.org/abs/2505.10827v1
• Date: Fri, 16 May 2025 03:57:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:13.973073
• Title: NeuSEditor: From Multi-View Images to Text-Guided Neural Surface Edits
• Title（参考訳）: NeuSEditor:マルチビュー画像からテキストガイドによるニューラルサーフェス編集
• Authors: Nail Ibrahimli, Julian F. P. Kooij, Liangliang Nan,
• Abstract要約: NeuSEditorは、多視点画像から得られる暗黙の面をテキストガイドで編集する新しい方法である。 我々のアーキテクチャは、シーンを前景と背景に効率的に分離し、シーン固有の要素を変更することなく正確な修正を可能にする。 本手法は,連続的なデータセット更新やソースプロンプトの必要性を排除し,編集ワークフローを簡素化する。
• 参考スコア（独自算出の注目度）: 6.021787236982659
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Implicit surface representations are valued for their compactness and continuity, but they pose significant challenges for editing. Despite recent advancements, existing methods often fail to preserve identity and maintain geometric consistency during editing. To address these challenges, we present NeuSEditor, a novel method for text-guided editing of neural implicit surfaces derived from multi-view images. NeuSEditor introduces an identity-preserving architecture that efficiently separates scenes into foreground and background, enabling precise modifications without altering the scene-specific elements. Our geometry-aware distillation loss significantly enhances rendering and geometric quality. Our method simplifies the editing workflow by eliminating the need for continuous dataset updates and source prompting. NeuSEditor outperforms recent state-of-the-art methods like PDS and InstructNeRF2NeRF, delivering superior quantitative and qualitative results. For more visual results, visit: neuseditor.github.io.
• Abstract（参考訳）: 入射曲面表現はそのコンパクトさと連続性から評価されるが、編集には大きな課題が生じる。 近年の進歩にもかかわらず、既存の手法はアイデンティティを保持し、編集中に幾何的一貫性を維持するのに失敗することが多い。 これらの課題に対処するために,マルチビュー画像から得られるニュートラル暗示面のテキスト誘導編集法であるNeuSEditorを提案する。 NeuSEditorは、シーンをフォアグラウンドとバックグラウンドに効率的に分離するID保存アーキテクチャを導入し、シーン固有の要素を変更することなく正確な修正を可能にする。 我々の幾何学的蒸留損失はレンダリングと幾何学的品質を著しく向上させる。 本手法は,連続的なデータセット更新やソースプロンプトの必要性を排除し,編集ワークフローを簡素化する。 NeuSEditor は PDS や InstructNeRF2NeRF のような最近の最先端の手法より優れており、より優れた量的および質的な結果をもたらす。 よりビジュアルな結果については、 neuseditor.github.ioをご覧ください。

関連論文リスト

• Improving Editability in Image Generation with Layer-wise Memory [23.004027029130953]
  現在の編集アプローチは、主に単一オブジェクトの修正用に設計されており、シーケンシャルな編集に苦労している。 新しい要素を自然に統合しながら、既存のコンテンツを保存する粗いマスク入力を実現することを提案する。 我々のフレームワークはレイヤワイドメモリによってこれを実現し、遅延表現を格納し、以前の編集からの埋め込みを促す。
  論文  参考訳（メタデータ） (2025-05-02T07:36:49Z)
• The Devil is in the Details: StyleFeatureEditor for Detail-Rich StyleGAN Inversion and High Quality Image Editing [3.58736715327935]
  本稿では,w-latentとF-latentの両方で編集できる新しい方法であるStyleFeatureEditorを紹介する。 また、Fレイテンシーを正確に編集するためのモデルをトレーニングするために特別に設計された新しいトレーニングパイプラインも提示する。 提案手法は最先端の符号化手法と比較し, モデルが復元品質の点で優れていることを示す。
  論文  参考訳（メタデータ） (2024-06-15T11:28:32Z)
• DiffEditor: Boosting Accuracy and Flexibility on Diffusion-based Image Editing [66.43179841884098]
  大規模テキスト・ツー・イメージ(T2I)拡散モデルは、ここ数年で画像生成に革命をもたらした。 既存の拡散型画像編集における2つの弱点を正すためにDiffEditorを提案する。 本手法は,様々な精細な画像編集タスクにおいて,最先端の性能を効率的に達成することができる。
  論文  参考訳（メタデータ） (2024-02-04T18:50:29Z)
• Optimisation-Based Multi-Modal Semantic Image Editing [58.496064583110694]
  本稿では,複数の編集命令型に対応するために,推論時編集の最適化を提案する。 各損失関数の影響を調整することで、ユーザの好みに合わせてフレキシブルな編集ソリューションを構築することができる。 本手法は,テキスト,ポーズ,スクリブルといった編集条件を用いて評価し,複雑な編集を行う能力を強調した。
  論文  参考訳（メタデータ） (2023-11-28T15:31:11Z)
• Forgedit: Text Guided Image Editing via Learning and Forgetting [17.26772361532044]
  我々は Forgedit という新しいテキスト誘導画像編集手法を設計する。 まず,30秒で元の画像を再構成できる視覚言語共同最適化フレームワークを提案する。 次に,拡散モデルのテキスト埋め込み空間におけるベクトル投影機構を提案する。
  論文  参考訳（メタデータ） (2023-09-19T12:05:26Z)
• StyleDiffusion: Prompt-Embedding Inversion for Text-Based Editing [115.49488548588305]
  画像の編集のために、事前訓練された拡散モデルの驚くべき能力を活用することに重点が置かれている。 彼らはモデルを微調整するか、事前訓練されたモデルの潜在空間で画像を反転させる。 選択された地域に対する不満足な結果と、非選択された地域における予期せぬ変化の2つの問題に悩まされている。
  論文  参考訳（メタデータ） (2023-03-28T00:16:45Z)
• SINE: Semantic-driven Image-based NeRF Editing with Prior-guided Editing Field [37.8162035179377]
  我々は,1つの画像でニューラルラディアンスフィールドを編集できる,新しい意味駆動型NeRF編集手法を提案する。 この目的を達成するために,3次元空間における微細な幾何学的・テクスチャ的編集を符号化する事前誘導編集場を提案する。 本手法は,1枚の編集画像のみを用いた写真リアルな3D編集を実現し,実世界の3Dシーンにおけるセマンティックな編集の限界を押し上げる。
  論文  参考訳（メタデータ） (2023-03-23T13:58:11Z)
• Imagen Editor and EditBench: Advancing and Evaluating Text-Guided Image Inpainting [53.708523312636096]
  本稿では,テキスト誘導画像のインペイントを微調整し,カスケード拡散モデルであるImagen Editorを提案する。 編集はテキストプロンプトに忠実で、オブジェクト検出器を使用してトレーニング中に塗装マスクを提案する。 質的,定量的な評価を改善するために,テキスト誘導画像の塗り絵の体系的ベンチマークであるEditBenchを導入する。
  論文  参考訳（メタデータ） (2022-12-13T21:25:11Z)
• NeuMesh: Learning Disentangled Neural Mesh-based Implicit Field for Geometry and Texture Editing [39.71252429542249]
  本稿では,メッシュ頂点上の幾何およびテクスチャコードを用いて,ニューラル暗黙の場を符号化することで,メッシュに基づく新しい表現を提案する。 メッシュベース表現の空間的識別性を最大化する学習可能な手話指標を含む,いくつかの手法を開発した。 実データと合成データの両方における実験および編集例は,表現品質と編集能力において,本手法が優れていることを示す。
  論文  参考訳（メタデータ） (2022-07-25T05:30:50Z)
• EditGAN: High-Precision Semantic Image Editing [120.49401527771067]
  EditGANは高品質で高精度なセマンティック画像編集のための新しい手法である。 EditGANは前例のない細部と自由度で画像を操作可能であることを示す。 また、複数の編集を組み合わせることも簡単で、EditGANのトレーニングデータ以外の編集も可能になります。
  論文  参考訳（メタデータ） (2021-11-04T22:36:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。