論文の概要: You Only Erase Once: Erasing Anything without Bringing Unexpected Content
- arxiv url: http://arxiv.org/abs/2603.27599v1
- Date: Sun, 29 Mar 2026 09:42:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-31 23:18:45.03796
- Title: You Only Erase Once: Erasing Anything without Bringing Unexpected Content
- Title（参考訳）: 一度だけ消去する:予期せぬコンテンツを持ち込むことなく、あらゆるものを消去する
- Abstract要約: よえお(よえお)は、不要な物や人工物なしで高品質な消去結果を生み出すオブジェクト消去のアプローチである。
我々は,大規模な実世界の画像のみを含む未ペアデータ上でオブジェクト消去拡散モデルを訓練することにより,この目標を達成する。
より効率的なトレーニングと推論を可能にするため、数段階の消去拡散モデルの訓練に拡散蒸留法を用いる。
- 参考スコア（独自算出の注目度）: 51.927496399405676
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present YOEO, an approach for object erasure. Unlike recent diffusion-based methods which struggle to erase target objects without generating unexpected content within the masked regions due to lack of sufficient paired training data and explicit constraint on content generation, our method allows to produce high-quality object erasure results free of unwanted objects or artifacts while faithfully preserving the overall context coherence to the surrounding content. We achieve this goal by training an object erasure diffusion model on unpaired data containing only large-scale real-world images, under the supervision of a sundries detector and a context coherence loss that are built upon an entity segmentation model. To enable more efficient training and inference, a diffusion distillation strategy is employed to train for a few-step erasure diffusion model. Extensive experiments show that our method outperforms the state-of-the-art object erasure methods. Code will be available at https://zyxunh.github.io/YOEO-ProjectPage/.
- Abstract（参考訳）: 対象の消去のためのアプローチである「よえお」を提示する。
十分にペアリングされたトレーニングデータやコンテンツ生成に対する明示的な制約が欠如しているため、マスク領域内の予期せぬ内容を発生させることなく、対象物を消去することに苦慮する最近の拡散ベースの手法とは異なり、本手法は、周囲のコンテンツに対する全体的なコンテクストの一貫性を忠実に保ちながら、不要なオブジェクトやアーティファクトを不要に高品質なオブジェクト消去結果を生成することができる。
本研究では,大規模な実世界の画像のみを含む未ペアデータ上でオブジェクト消去拡散モデルをトレーニングし,サンドリーズ検出器とエンティティセグメンテーションモデル上に構築されたコンテキストコヒーレンス損失を制御した。
より効率的なトレーニングと推論を可能にするため、数段階の消去拡散モデルの訓練に拡散蒸留法を用いる。
大規模な実験により,本手法は最先端のオブジェクト消去法よりも優れていた。
コードはhttps://zyxunh.github.io/YOEO-ProjectPage/.comで入手できる。
関連論文リスト
- From Understanding to Erasing: Towards Complete and Stable Video Object Removal [8.035439287403983]
ビデオオブジェクトの削除は、ビデオからターゲットオブジェクトを排除し、欠落した領域を確実に完了し、時間的一貫性を維持することを目的としている。
全体コヒーレンスを損なうことなく、物体によって引き起こされる副作用を取り除くことは依然として困難である。
本稿では,2つの相補的観点からの消去の理解を紹介する。
論文 参考訳（メタデータ） (2026-04-02T06:50:39Z) - Variational Diffusion Unlearning: A Variational Inference Framework for Unlearning in Diffusion Models under Data Constraints [9.885531514020437]
本研究では,事前学習した拡散モデルから望ましくない特徴を含む出力の発生を防止できる機械学習手法を提案する。
本手法は, 可塑性インデューサと安定正則化器の2項からなる損失関数の最小化を目的とした, 変分推論フレームワークに着想を得たものである。
本手法の有効性は,授業未学習と特徴未学習の両方に対する総合的な実験を通じて検証する。
論文 参考訳（メタデータ） (2025-10-05T06:39:30Z) - Penalizing Boundary Activation for Object Completeness in Diffusion Models [35.58050562158284]
拡散モデルはテキスト・トゥ・イメージ(T2I)生成の強力な技術として登場した。
本研究では,不完全性の問題を詳細に解析し,不完全オブジェクト生成の要因はモデルトレーニングにおけるRandomCropの利用であることを示す。
本稿では,初期認知段階において,画像境界におけるアクティベーション値をペナライズする学習自由解を提案する。
論文 参考訳（メタデータ） (2025-09-21T07:58:48Z) - ObjectClear: Complete Object Removal via Object-Effect Attention [56.2893552300215]
我々は、オブジェクトとそれに関連する視覚的アーティファクトの両方の正確なマスクとともに、オブジェクト効果と不要なペア画像を提供するOBERという、オブジェクト・エフェクト除去のための新しいデータセットを紹介した。
本研究では,物体効果の注意機構を組み込んだ新しいフレームワーク ObjectClear を提案する。
実験では、ObjectClearが既存のメソッドよりも優れており、特に複雑なシナリオにおいて、オブジェクト・エフェクトの除去品質と背景の忠実さの改善を実現している。
論文 参考訳（メタデータ） (2025-05-28T17:51:17Z) - OmniPaint: Mastering Object-Oriented Editing via Disentangled Insertion-Removal Inpainting [54.525583840585305]
我々はオブジェクトの削除と挿入を相互依存プロセスとして再概念化する統合フレームワークであるOmniPaintを紹介した。
我々の新しいCFDメトリクスは、コンテキスト整合性とオブジェクト幻覚の堅牢で参照不要な評価を提供する。
論文 参考訳（メタデータ） (2025-03-11T17:55:27Z) - OmniEraser: Remove Objects and Their Effects in Images with Paired Video-Frame Data [21.469971783624402]
本稿では,現実的な物体影と反射を伴う10万以上の高品質なサンプルからなる大規模データセットであるVideo4Removalを提案する。
ビデオフレームと市販のビジョンモデルからオブジェクト-バックグラウンドペアを構築することにより、データ取得の作業コストを大幅に削減することができる。
形状的なアーティファクトや意図しないコンテンツを生成するのを避けるために,Object-Background Guidanceを提案する。
我々は,オブジェクトマスクのみを入力として,オブジェクトとその視覚効果をシームレスに除去する新しい手法であるOmniEraserを提案する。
論文 参考訳（メタデータ） (2025-01-13T15:12:40Z) - Attentive Eraser: Unleashing Diffusion Model's Object Removal Potential via Self-Attention Redirection Guidance [10.625932330968409]
Attentive Eraser は、安定かつ効果的な物体除去のために、事前訓練された拡散モデルを強化するチューニング不要な手法である。
本稿では、自己注意機構を再設計するASS(Attention Activation and Suppression)を紹介する。
また、ASSによる自己注意リダイレクトを利用して生成プロセスのガイドを行う自己注意リダイレクトガイダンス(SARG)についても紹介する。
論文 参考訳（メタデータ） (2024-12-17T14:56:59Z) - DiffUHaul: A Training-Free Method for Object Dragging in Images [78.93531472479202]
DiffUHaulと呼ばれるオブジェクトドラッグタスクのためのトレーニング不要な手法を提案する。
まず、各認知段階に注意マスキングを適用して、各生成を異なるオブジェクトにまたがってよりゆがみやすくする。
初期のデノナイジングステップでは、ソース画像とターゲット画像の注意特徴を補間して、新しいレイアウトを元の外観とスムーズに融合させる。
論文 参考訳（メタデータ） (2024-06-03T17:59:53Z) - Foreground-Background Separation through Concept Distillation from
Generative Image Foundation Models [6.408114351192012]
本稿では, 簡単なテキスト記述から, 一般的な前景-背景セグメンテーションモデルの生成を可能にする新しい手法を提案する。
本研究では,4つの異なる物体(人間,犬,車,鳥)を分割する作業と,医療画像解析におけるユースケースシナリオについて述べる。
論文 参考訳（メタデータ） (2022-12-29T13:51:54Z) - Diffusion Models for Adversarial Purification [69.1882221038846]
対人浄化(Adrial purification)とは、生成モデルを用いて敵の摂動を除去する防衛方法の分類である。
そこで我々は,拡散モデルを用いたDiffPureを提案する。
提案手法は,現在の対人訓練および対人浄化方法よりも優れ,最先端の成果を達成する。
論文 参考訳（メタデータ） (2022-05-16T06:03:00Z) - Discovering Objects that Can Move [55.743225595012966]
手動ラベルなしでオブジェクトを背景から分離する、オブジェクト発見の問題について検討する。
既存のアプローチでは、色、テクスチャ、位置などの外観の手がかりを使用して、ピクセルをオブジェクトのような領域に分類する。
私たちは、動的オブジェクト -- 世界で独立して動くエンティティ -- にフォーカスすることを選びます。
論文 参考訳（メタデータ） (2022-03-18T21:13:56Z)
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。