論文の概要: CoEditor++: Instruction-based Visual Editing via Cognitive Reasoning

• arxiv url: http://arxiv.org/abs/2603.05518v1
• Date: Sat, 31 Jan 2026 12:20:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-15 16:38:22.368112
• Title: CoEditor++: Instruction-based Visual Editing via Cognitive Reasoning
• Title（参考訳）: CoEditor++: 認知推論によるインストラクションベースのビジュアル編集
• Authors: Minheng Ni, Yutao Fan, Zhengyuan Yang, Yeli Shen, Yuxiang Wei, Yaowen Zhang, Lijuan Wang, Lei Zhang, Wangmeng Zuo,
• Abstract要約: CoEditor++は、編集を"編集する方法"と"編集方法"に分解する、トレーニング不要のフレームワークである。 我々は,CoEditor++が編集タスクと編集タスクの両方において,最先端のパフォーマンスを実現することを示す。 以上の結果から,認知中心型画像編集の可能性が示唆された。
• 参考スコア（独自算出の注目度）: 98.98349220451216
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recent advances in large multimodal models (LMMs) have enabled instruction-based image editing, allowing users to modify visual content via natural language descriptions. However, existing approaches often struggle with high-level semantic reasoning and visual consistency, particularly under ambiguous or complex instructions. To address these challenges, we propose CoEditor++, a cognitively structured, training-free framework that decomposes editing into "what to edit" and "how to edit" through two cognitive stages with a reflective self-selection mechanism, enabling robust, fine-grained, and interpretable editing. Built entirely from open-sourced components, CoEditor++ requires no additional training or fine-tuning, ensuring transparency and cross-domain applicability. We evaluate CoEditor++ on SmartEdit, a widely used benchmark for general editing, and AltBear, a privacy and compliance-oriented benchmark. Experimental results show that CoEditor++ achieves state-of-the-art performance in both general editing and responsible editing tasks compared with open-sourced models that require training on specialized editing datasets maintaining significantly higher visual consistency. When compared with closed-source models such as Nano Banana Pro or GPT-4o, CoEditor++ preserves comparable instruction following while still substantially outperforming them in visual consistency. Extensive ablation studies confirm that the effectiveness of CoEditor++ benefits from its structured cognitive design rather than any specific model component. Our findings suggest the potential toward cognitive-centric instruction-based image editing.
• Abstract（参考訳）: 大規模マルチモーダルモデル(LMM)の最近の進歩により,命令ベースの画像編集が可能になった。 しかし、既存のアプローチは、特に曖昧または複雑な指示の下で、高レベルのセマンティック推論と視覚的一貫性に苦しむことが多い。 これらの課題に対処するために、CoEditor++を提案する。CoEditor++は、編集を2つの認知段階を通して「編集するもの」と「編集方法」に分解し、堅牢できめ細かな、解釈可能な編集を可能にする。 CoEditor++は、完全にオープンソースコンポーネントで構成されており、追加のトレーニングや微調整を必要とせず、透明性とドメイン間の適用性を保証する。 We evaluate CoEditor++ on SmartEdit, a wide used benchmark for general editing, and a AltBear, a privacy and compliance-oriented benchmark。 実験の結果,CoEditor++は,高度な視覚的整合性を維持するための特別な編集データセットのトレーニングを必要とするオープンソースモデルと比較して,汎用的な編集タスクと責任のある編集タスクの両方において,最先端のパフォーマンスを実現していることがわかった。 Nano Banana Pro や GPT-4o のようなクローズドソースモデルと比較すると、CoEditor++ は同等の命令を保ちながら、視覚的一貫性では大幅に向上している。 広範囲にわたるアブレーション研究により、CoEditor++の有効性は、特定のモデルコンポーネントではなく、構造化された認知設計から恩恵を受けていることが確認された。 以上の結果から,認知中心型画像編集の可能性が示唆された。

関連論文リスト

• WorldEdit: Towards Open-World Image Editing with a Knowledge-Informed Benchmark [72.07273056097722]
  我々は、世界主導の画像編集を可能にするために設計されたデータセットであるtextbfWorldEditを紹介した。 WorldEditは高品質な編集サンプルで構成され、現実世界の因果論理と一致するパラフレーズの命令でガイドされる。 その結果,提案手法はGPT-4oとNano-Bananaとのギャップを著しく狭めることがわかった。
  論文  参考訳（メタデータ） (2026-02-06T13:42:30Z)
• DualEdit: Dual Editing for Knowledge Updating in Vision-Language Models [35.10531856612373]
  テキストと視覚の両方を各キー層で修正するエディタであるDualEditを提案する。 複数のVLMバックボーンとベンチマークデータセットにまたがるDualEditを評価する。
  論文  参考訳（メタデータ） (2025-06-16T16:04:16Z)
• Image Editing As Programs with Diffusion Models [69.05164729625052]
  本稿では,Diffusion Transformer (DiT) アーキテクチャ上に構築された統合画像編集フレームワークである IEAP (Image Editing As Programs) を紹介する。 IEAPは、複雑な編集命令を原子操作のシーケンスに分解して、リダミストレンズによる命令編集にアプローチする。 我々のフレームワークは、特に複雑なマルチステップ命令に対して、より優れた精度とセマンティック忠実度を提供する。
  論文  参考訳（メタデータ） (2025-06-04T16:57:24Z)
• FireEdit: Fine-grained Instruction-based Image Editing via Region-aware Vision Language Model [54.693572837423226]
  FireEditは、Region対応のVLMを利用する、革新的なインストラクションベースの画像編集フレームワークである。 FireEditは、ユーザの指示を正確に理解し、編集プロセスの効果的な制御を保証するように設計されている。 提案手法は,最先端の命令ベース画像編集手法を超越した手法である。
  論文  参考訳（メタデータ） (2025-03-25T16:59:42Z)
• InstructEdit: Instruction-based Knowledge Editing for Large Language Models [39.2147118489123]
  InstructEditと呼ばれる命令ベースの編集技術を開発し、簡単な命令を使って様々なタスクパフォーマンスへのエディタの適応を容易にする。 予期せぬタスクを含む実験は、InstructEditが以前の強いベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2024-02-25T15:46:33Z)
• Learning Structural Edits via Incremental Tree Transformations [102.64394890816178]
  構造化データのインクリメンタルな編集(すなわち「構造的編集」)のための汎用モデルを提案する。 我々の編集者は、反復的にツリー編集(例えば、サブツリーの削除や追加)を生成し、部分的に編集されたデータに適用することを学びます。 提案したエディタを2つのソースコード編集データセットで評価した結果,提案する編集エンコーダでは,従来よりも精度が向上していることがわかった。
  論文  参考訳（メタデータ） (2021-01-28T16:11:32Z)

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。