論文の概要: SNR-Edit: Structure-Aware Noise Rectification for Inversion-Free Flow-Based Editing

• arxiv url: http://arxiv.org/abs/2601.19180v1
• Date: Tue, 27 Jan 2026 04:24:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.170322
• Title: SNR-Edit: Structure-Aware Noise Rectification for Inversion-Free Flow-Based Editing
• Title（参考訳）: SNR-Edit:Inversion-free Flow-basedEditingのための構造対応ノイズ補正
• Authors: Lifan Jiang, Boxi Wu, Yuhang Pei, Tianrun Wu, Yongyuan Chen, Yan Zhao, Shiyu Yu, Deng Cai,
• Abstract要約: フローベース生成モデルを用いたインバージョンフリー画像編集は、一般的なインバージョンベースパイプラインに挑戦する。 適応雑音制御による忠実な潜在軌道補正を実現するためのトレーニングフリーフレームワークであるSNR-Editを紹介する。
• 参考スコア（独自算出の注目度）: 18.5465888954825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inversion-free image editing using flow-based generative models challenges the prevailing inversion-based pipelines. However, existing approaches rely on fixed Gaussian noise to construct the source trajectory, leading to biased trajectory dynamics and causing structural degradation or quality loss. To address this, we introduce SNR-Edit, a training-free framework achieving faithful Latent Trajectory Correction via adaptive noise control. Mechanistically, SNR-Edit uses structure-aware noise rectification to inject segmentation constraints into the initial noise, anchoring the stochastic component of the source trajectory to the real image's implicit inversion position and reducing trajectory drift during source--target transport. This lightweight modification yields smoother latent trajectories and ensures high-fidelity structural preservation without requiring model tuning or inversion. Across SD3 and FLUX, evaluations on PIE-Bench and SNR-Bench show that SNR-Edit delivers performance on pixel-level metrics and VLM-based scoring, while adding only about 1s overhead per image.
• Abstract（参考訳）: フローベース生成モデルを用いたインバージョンフリー画像編集は、一般的なインバージョンベースパイプラインに挑戦する。 しかし、既存のアプローチはソースの軌跡を構築するために固定されたガウスノイズに依存しており、偏りのある軌跡のダイナミクスをもたらし、構造劣化や品質損失を引き起こす。 そこで本稿では,適応雑音制御による忠実な潜在軌道補正を実現するためのトレーニングフリーフレームワークであるSNR-Editを紹介する。 機械的に、SNR-Editは構造対応ノイズ補正を使用して、初期ノイズにセグメンテーション制約を注入し、ソース軌道の確率成分を実際の画像の暗黙の反転位置に固定し、ソース-ターゲット輸送中の軌道ドリフトを低減する。 この軽量な修正により、よりスムーズな潜在軌道が得られ、モデルチューニングや反転を必要とせず、高忠実な構造保存が保証される。 SD3とFLUX全体で、PIE-BenchとSNR-Benchの評価では、SNR-EditはピクセルレベルのメトリクスとVLMベースのスコアでパフォーマンスを提供し、画像当たりのオーバーヘッドは1秒程度である。

関連論文リスト

• One-Step Diffusion Transformer for Controllable Real-World Image Super-Resolution [54.485573602613535]
  本稿では,一段階拡散変換器であるODTSRについて述べる。 ODTSRは、制御性を高め、一段階の推論を達成するために、Fidelity-aware Adversarial Training (FAA)を採用している。 実験により,ODTSRは汎用Real-ISR上でのSOTA(State-of-the-art)性能を実現することが示された。
  論文  参考訳（メタデータ） (2025-11-21T11:00:59Z)
• Straighten Viscous Rectified Flow via Noise Optimization [24.065483360595458]
  Reflow操作は、ノイズと画像間の決定論的結合を構築することにより、トレーニング中の補正流れの推論軌跡を的確にすることを目的としている。 本稿では,Reflowにおける限界,特に構築された決定論的結合と実画像の分布ギャップに起因する高品質な画像を高速に生成できないことを明らかにする。 本稿では,エンコーダとニューラル速度場を組み合わせた共同トレーニングフレームワークであるStraighten Viscous Rectified Flow via Noise Optimization (VRFNO)を提案する。
  論文  参考訳（メタデータ） (2025-07-14T12:35:17Z)
• FlowAlign: Trajectory-Regularized, Inversion-Free Flow-based Image Editing [47.908940130654535]
  FlowAlignは、最適な制御ベースの軌道制御による一貫した画像編集のためのインバージョンフリーなフローベースフレームワークである。 我々の終点正規化は、編集プロンプトとのセマンティックアライメントのバランスと、軌道に沿ったソース画像との構造的整合性を示す。 FlowAlignは、ソース保存と編集の制御性の両方において、既存のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2025-05-29T06:33:16Z)
• Rolling Shutter Correction with Intermediate Distortion Flow Estimation [55.59359977619609]
  本稿では,グローバルシャッタ(GS)からRSへの歪み流を直接推定することにより,ローリングシャッタ(RS)歪み画像を補正することを提案する。 既存の手法は通常、RSからGSへの非歪流を用いて補正を行う。 本稿では,歪み流を直接推定し,後方ワープ操作でRS像を補正する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-09T14:40:54Z)

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。