論文の概要: Low-Resolution Editing is All You Need for High-Resolution Editing

• arxiv url: http://arxiv.org/abs/2511.19945v1
• Date: Tue, 25 Nov 2025 05:35:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.290545
• Title: Low-Resolution Editing is All You Need for High-Resolution Editing
• Title（参考訳）: 低分解能編集は高分解能編集に必要なもの
• Authors: Junsung Lee, Hyunsoo Lee, Yong Jae Lee, Bohyung Han,
• Abstract要約: 本稿では,高精細画像編集の課題を導入し,それに対応するテスト時間最適化フレームワークを提案する。 提案手法では,高解像度のソース画像に対してパッチワイズ最適化を行い,さらに細かな細部転送モジュールと新しい同期戦略を提案する。
• 参考スコア（独自算出の注目度）: 67.6663530128766
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: High-resolution content creation is rapidly emerging as a central challenge in both the vision and graphics communities. While images serve as the most fundamental modality for visual expression, content generation that aligns with the user intent requires effective, controllable high-resolution image manipulation mechanisms. However, existing approaches remain limited to low-resolution settings, typically supporting only up to 1K resolution. In this work, we introduce the task of high-resolution image editing and propose a test-time optimization framework to address it. Our method performs patch-wise optimization on high-resolution source images, followed by a fine-grained detail transfer module and a novel synchronization strategy to maintain consistency across patches. Extensive experiments show that our method produces high-quality edits, facilitating the way toward high-resolution content creation.
• Abstract（参考訳）: 高解像度コンテンツ作成は、ビジョンとグラフィックの両コミュニティにおける中心的な課題として急速に現れつつある。 画像は視覚表現の最も基本的なモダリティとして機能するが、ユーザ意図に沿ったコンテンツ生成には、効果的で制御可能な高解像度画像操作機構が必要である。 しかし、既存のアプローチは低解像度の設定に限られており、通常は最大1Kの解像度しかサポートしていない。 本稿では,高精細画像編集の課題を紹介し,それに対応するテスト時間最適化フレームワークを提案する。 提案手法では,高解像度のソースイメージに対してパッチワイズを最適化し,さらに細かな詳細転送モジュールと,パッチ間の一貫性を維持するための新しい同期戦略を提案する。 大規模な実験により,本手法は高品質な編集を行い,高解像度コンテンツ作成への道が開かれた。

関連論文リスト

• Ultra High-Resolution Image Inpainting with Patch-Based Content Consistency Adapter [47.512192547392026]
  Patch-Adapterは高解像度テキスト誘導画像の描画に有効なフレームワークである。 提案手法は,正確な内容の整合性を維持しつつ4K以上の分解能を達成し,迅速なアライメントを実現する。 実験によると、Patch-Adapterは、大規模な塗布に共通するアーティファクトを解決するだけでなく、最先端のパフォーマンスも達成している。
  論文  参考訳（メタデータ） (2025-10-15T11:18:24Z)
• HRSeg: High-Resolution Visual Perception and Enhancement for Reasoning Segmentation [74.1872891313184]
  HRSegは高精細な知覚を持つ効率的なモデルである。 高分解能知覚(HRP)と高分解能増強(HRE)の2つの重要な革新を特徴としている。
  論文  参考訳（メタデータ） (2025-07-17T08:09:31Z)
• High-Resolution Be Aware! Improving the Self-Supervised Real-World Super-Resolution [37.546746047196486]
  地平線画像は現実の環境では利用できないため、自己教師型学習は超高解像度には不可欠である。 既存の方法は、擬似ペアを作成したり、低分解能再構成目標を強制することによって、低分解能画像から自己監督を導出する。 本稿では,高解像度画像の認識を強化し,自己監督された現実世界の超解像を改善する。
  論文  参考訳（メタデータ） (2024-11-25T08:13:32Z)
• ResMaster: Mastering High-Resolution Image Generation via Structural and Fine-Grained Guidance [46.64836025290448]
  ResMasterは、解像度制限を超えて高品質な画像を生成するために、解像度制限付き拡散モデルに権限を与える、トレーニング不要の方法である。 パッチ・バイ・パッチで高解像度画像を作成するための構造的かつきめ細かいガイダンスを提供する。 実験では、ResMasterが高解像度画像生成のための新しいベンチマークを設定し、有望な効率を示す。
  論文  参考訳（メタデータ） (2024-06-24T09:28:21Z)
• CoSeR: Bridging Image and Language for Cognitive Super-Resolution [74.24752388179992]
  本稿では,低解像度画像の理解能力を備えたSRモデルを実現するCoSeR(Cognitive Super-Resolution)フレームワークを提案する。 画像の外観と言語理解を組み合わせることで、認知的な埋め込みを生成する。 画像の忠実度をさらに向上させるため、「オール・イン・アテンション」と呼ばれる新しい条件注入方式を提案する。
  論文  参考訳（メタデータ） (2023-11-27T16:33:29Z)
• Multi-Modality Image Super-Resolution using Generative Adversarial Networks [0.0]
  画像超解像と多モード画像-画像変換の連立問題に対する解法を提案する。 この問題は、他のモードで同じ画像を低解像度で観察した場合に、高解像度の画像をモダリティで復元するものとして説明できる。
  論文  参考訳（メタデータ） (2022-06-18T12:19:31Z)
• Semi-Supervised Super-Resolution [30.872605139672086]
  超解像(Super-Resolution)は、可視分解能を高めて低解像度の写真の品質を向上させる技術である。 従来の超解法では、低解像度で高解像度のペアがほとんど得られない領域では問題となるような訓練のために膨大な量のデータを必要とする。 本稿では,500対の例に満たない,シャープで高解像度の画像を生成するための半教師付き手法を提案する。
  論文  参考訳（メタデータ） (2022-04-18T07:10:29Z)
• A Generative Model for Hallucinating Diverse Versions of Super Resolution Images [0.3222802562733786]
  我々は、生成逆数モデルを用いて、同じ低解像度画像から異なる高解像度バージョンを得るという問題に取り組んでいる。 学習アプローチでは,高分解能画像の学習において,教師なしの保存と探索に高周波数を活用できる。
  論文  参考訳（メタデータ） (2021-02-12T17:11:42Z)

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。