論文の概要: Semantic Editing with Coupled Stochastic Differential Equations

• arxiv url: http://arxiv.org/abs/2509.24223v1
• Date: Mon, 29 Sep 2025 03:05:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.711796
• Title: Semantic Editing with Coupled Stochastic Differential Equations
• Title（参考訳）: 確率微分方程式を結合した意味編集
• Authors: Jianxin Zhang, Clayton Scott,
• Abstract要約: 我々は,任意の事前学習された生成モデルのサンプリング過程を導くために,結合微分方程式(結合SDE)を提案する。 ソース画像と編集画像の両方を同一の相関雑音で駆動することにより,新たなサンプルを所望のセマンティクスに導出する。
• 参考スコア（独自算出の注目度）: 14.747544527069804
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Editing the content of an image with a pretrained text-to-image model remains challenging. Existing methods often distort fine details or introduce unintended artifacts. We propose using coupled stochastic differential equations (coupled SDEs) to guide the sampling process of any pre-trained generative model that can be sampled by solving an SDE, including diffusion and rectified flow models. By driving both the source image and the edited image with the same correlated noise, our approach steers new samples toward the desired semantics while preserving visual similarity to the source. The method works out-of-the-box-without retraining or auxiliary networks-and achieves high prompt fidelity along with near-pixel-level consistency. These results position coupled SDEs as a simple yet powerful tool for controlled generative AI.
• Abstract（参考訳）: 事前訓練されたテキスト・ツー・イメージ・モデルで画像の内容を編集することは依然として困難である。 既存の方法はしばしば細部を歪ませたり、意図しない人工物を導入する。 本稿では,SDEの拡散・整流モデルを含むSDEを解くことにより,事前学習した生成モデルのサンプリング過程を導出するために,結合確率微分方程式(結合SDE)を提案する。 ソース画像と編集画像の両方を同一の相関雑音で駆動することにより,提案手法は,ソースと視覚的類似性を保ちつつ,新たなサンプルを所望のセマンティクスに導出する。 この方法は、リトレーニングや補助的ネットワークなしで、アウト・オブ・ザ・ボックスで動作し、ほぼピクセルレベルの一貫性とともに、高いプロンプト忠実性を実現する。 これらの結果は、SDEを制御された生成AIのためのシンプルだが強力なツールとして位置づける。

関連論文リスト

• An Ordinary Differential Equation Sampler with Stochastic Start for Diffusion Bridge Models [13.00429687431982]
  拡散ブリッジモデルは、純粋なガウスノイズではなく、劣化した画像から生成過程を初期化する。 既存の拡散ブリッジモデルは、しばしば微分方程式のサンプリングに頼り、推論速度が遅くなる。 拡散ブリッジモデルの開始点を有する高次ODEサンプリング器を提案する。 本手法は, 既訓練拡散ブリッジモデルと完全に互換性があり, 追加の訓練は不要である。
  論文  参考訳（メタデータ） (2024-12-28T03:32:26Z)
• Provably Robust Score-Based Diffusion Posterior Sampling for Plug-and-Play Image Reconstruction [31.503662384666274]
  科学と工学において、ゴールは、ある画像のモダリティを記述する既知のフォワードモデルから収集された少数の測定値から未知の画像を推測することである。 モチベートされたスコアベース拡散モデルはその経験的成功により、画像再構成に先立って模範の印象的な候補として現れた。
  論文  参考訳（メタデータ） (2024-03-25T15:58:26Z)
• Lightning-Fast Image Inversion and Editing for Text-to-Image Diffusion Models [46.729930784279645]
  暗黙の方程式の根を求めることによって問題を定式化し,効率よく解ける手法を考案する。 我々の解法は、数値解析においてよく知られた手法であるNewton-Raphson (NR) に基づいている。 希少物体の画像および生成における改善された結果を示す。
  論文  参考訳（メタデータ） (2023-12-19T19:19:19Z)
• Denoising Diffusion Bridge Models [54.87947768074036]
  拡散モデルは、プロセスを使用してデータにノイズをマッピングする強力な生成モデルである。 画像編集のような多くのアプリケーションでは、モデル入力はランダムノイズではない分布から来る。 本研究では, DDBM(Denoising Diffusion Bridge Models)を提案する。
  論文  参考訳（メタデータ） (2023-09-29T03:24:24Z)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)
• SDEdit: Image Synthesis and Editing with Stochastic Differential Equations [113.35735935347465]
  微分方程式を用いた最近の生成モデルに基づく微分編集(SDEdit)を導入する。 ユーザが編集した入力画像が与えられたら、まずSDEに従って入力にノイズを付加し、その後、逆SDEをシミュレートして、その確率を前より徐々に増加させます。 GANインバージョンに基づく最近の画像編集手法において重要な要素であるタスク固有損失関数の設計は不要である。
  論文  参考訳（メタデータ） (2021-08-02T17:59:47Z)

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。