論文の概要: FIA-Edit: Frequency-Interactive Attention for Efficient and High-Fidelity Inversion-Free Text-Guided Image Editing

• arxiv url: http://arxiv.org/abs/2511.12151v1
• Date: Sat, 15 Nov 2025 10:45:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.642359
• Title: FIA-Edit: Frequency-Interactive Attention for Efficient and High-Fidelity Inversion-Free Text-Guided Image Editing
• Title（参考訳）: FIA編集:高精細・高精細インバージョンフリーテキストガイド画像編集のための周波数インターアクティブアテンション
• Authors: Kaixiang Yang, Boyang Shen, Xin Li, Yuchen Dai, Yuxuan Luo, Yueran Ma, Wei Fang, Qiang Li, Zhiwei Wang,
• Abstract要約: FIA-Editは、高忠実で意味論的に正確な編集を実現する、新しいインバージョンフリーフレームワークである。 私たちは、テキストガイド画像編集を臨床応用に拡張した最初の人です。
• 参考スコア（独自算出の注目度）: 20.006781745713848
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text-guided image editing has advanced rapidly with the rise of diffusion models. While flow-based inversion-free methods offer high efficiency by avoiding latent inversion, they often fail to effectively integrate source information, leading to poor background preservation, spatial inconsistencies, and over-editing due to the lack of effective integration of source information. In this paper, we present FIA-Edit, a novel inversion-free framework that achieves high-fidelity and semantically precise edits through a Frequency-Interactive Attention. Specifically, we design two key components: (1) a Frequency Representation Interaction (FRI) module that enhances cross-domain alignment by exchanging frequency components between source and target features within self-attention, and (2) a Feature Injection (FIJ) module that explicitly incorporates source-side queries, keys, values, and text embeddings into the target branch's cross-attention to preserve structure and semantics. Comprehensive and extensive experiments demonstrate that FIA-Edit supports high-fidelity editing at low computational cost (~6s per 512 * 512 image on an RTX 4090) and consistently outperforms existing methods across diverse tasks in visual quality, background fidelity, and controllability. Furthermore, we are the first to extend text-guided image editing to clinical applications. By synthesizing anatomically coherent hemorrhage variations in surgical images, FIA-Edit opens new opportunities for medical data augmentation and delivers significant gains in downstream bleeding classification. Our project is available at: https://github.com/kk42yy/FIA-Edit.
• Abstract（参考訳）: テキスト誘導画像編集は拡散モデルの台頭とともに急速に進歩している。 フローベースのインバージョンフリー手法は、遅延インバージョンを避けることで高効率を実現するが、ソース情報を効果的に統合することができず、背景保存の貧弱さ、空間的不整合、ソース情報の効果的な統合の欠如により過度に編集される。 本稿では,周波数対アクティブアテンションによる高忠実で意味論的に正確な編集を実現する,新しいインバージョンフリーフレームワークであるFIA-Editを提案する。 具体的には、(1)自己注意の中でソースとターゲットの特徴間の周波数成分を交換することでドメイン間のアライメントを強化する周波数表現相互作用(FRI)モジュールと、(2)ソース側クエリ、キー、値、テキストをターゲットブランチのクロスアテンションに明示的に組み込んだ特徴注入(FIJ)モジュールである。 包括的かつ広範な実験により、FIA-Editは低計算コスト(RTX 4090の512×512画像あたり約6s)で高忠実性編集をサポートし、視覚的品質、背景の忠実さ、制御性といった様々なタスクにまたがる既存の手法を一貫して上回っていることが示されている。 さらに,テキストガイド画像編集を臨床応用に拡張する試みは,今回が初めてである。 外科画像における解剖学的に一貫性のある出血の多様性を合成することにより、FIA-Editは医療データ増強の新しい機会を開き、下流の出血分類において大きな進歩をもたらす。 私たちのプロジェクトは、https://github.com/kk42yy/FIA-Editで利用可能です。

関連論文リスト

• LORE: Latent Optimization for Precise Semantic Control in Rectified Flow-based Image Editing [0.276240219662896]
  トレーニング不要で効率的な画像編集手法であるLOREを紹介する。 LOREは逆ノイズを直接最適化し、既存のアプローチの一般化と制御可能性の限界に対処する。 実験の結果,LOREはセマンティックアライメント,画像品質,背景忠実度において,強いベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2025-08-05T06:45:04Z)
• OFFSET: Segmentation-based Focus Shift Revision for Composed Image Retrieval [59.377821673653436]
  Composed Image Retrieval (CIR)は、ユーザの複雑な検索要求を柔軟に表現することができる。 1) 視覚データにおける支配的部分とノイズ的部分の不均一性は無視され、クエリー特徴が劣化する。 本研究は、主部分分割と二重焦点写像という2つのモジュールからなる集中写像に基づく特徴抽出器を提案する。
  論文  参考訳（メタデータ） (2025-07-08T03:27:46Z)
• Training-Free Text-Guided Image Editing with Visual Autoregressive Model [46.201510044410995]
  本稿では,Visual AutoRegressive モデリングに基づく新しいテキスト誘導画像編集フレームワークを提案する。 本手法は, 正確かつ制御された修正を確実にしながら, 明示的な逆変換の必要性を解消する。 我々のフレームワークは、トレーニング不要な方法で動作し、高速な推論速度で高忠実度編集を実現する。
  論文  参考訳（メタデータ） (2025-03-31T09:46:56Z)
• FUSE: Label-Free Image-Event Joint Monocular Depth Estimation via Frequency-Decoupled Alignment and Degradation-Robust Fusion [92.4205087439928]
  画像強調共同深度推定法は、頑健な知覚に相補的なモダリティを利用するが、一般化可能性の課題に直面している。 自己監督型転送(PST)と周波数デカップリング型フュージョンモジュール(FreDF)を提案する。 PSTは、画像基盤モデルとの遅延空間アライメントによるクロスモーダルな知識伝達を確立し、データ不足を効果的に軽減する。 FreDFは、低周波構造成分から高周波エッジ特性を明示的に分離し、モード比周波数ミスマッチを解消する。 この組み合わせのアプローチにより、FUSEはターゲットデータセットに対する軽量デコーダ適応のみを必要とするユニバーサルなイメージイベントを構築することができる。
  論文  参考訳（メタデータ） (2025-03-25T15:04:53Z)
• Frequency Domain Modality-invariant Feature Learning for Visible-infrared Person Re-Identification [79.9402521412239]
  本稿では、周波数領域から見たモダリティの相違を低減するために、新しい周波数領域モダリティ不変特徴学習フレームワーク(FDMNet)を提案する。 我々のフレームワークでは、インスタンス適応振幅フィルタ(IAF)とPhrase-Preserving Normalization(PPNorm)という、2つの新しいモジュールを導入している。
  論文  参考訳（メタデータ） (2024-01-03T17:11:27Z)
• Unified Frequency-Assisted Transformer Framework for Detecting and Grounding Multi-Modal Manipulation [109.1912721224697]
  本稿では、DGM4問題に対処するため、UFAFormerという名前のUnified Frequency-Assisted TransFormerフレームワークを提案する。 離散ウェーブレット変換を利用して、画像を複数の周波数サブバンドに分解し、リッチな顔偽造品をキャプチャする。 提案する周波数エンコーダは、帯域内およびバンド間自己アテンションを組み込んだもので、多種多様なサブバンド内および多種多様なフォージェリー特徴を明示的に集約する。
  論文  参考訳（メタデータ） (2023-09-18T11:06:42Z)

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。