論文の概要: CAMEO: A Conditional and Quality-Aware Multi-Agent Image Editing Orchestrator

• arxiv url: http://arxiv.org/abs/2604.03156v1
• Date: Fri, 03 Apr 2026 16:27:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.533611
• Title: CAMEO: A Conditional and Quality-Aware Multi-Agent Image Editing Orchestrator
• Title（参考訳）: CAMEO: 条件と品質を考慮したマルチエージェント画像編集オーケストレータ
• Authors: Yuhan Pu, Hao Zheng, Ziqian Mo, Hill Zhang, Tianyi Fan, Shuhong Wu, Jiaheng Wei,
• Abstract要約: 条件付き画像編集は、厳密な構造制御を必要とするシナリオにおいて不可欠である。 ほとんどのアプローチは単一ステップ生成に依存します。 我々は、条件付き編集を品質に配慮したフィードバック駆動プロセスとして再構成する構造化マルチエージェントフレームワーク、textbfCAMEOを提案する。
• 参考スコア（独自算出の注目度）: 8.901958956012072
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conditional image editing aims to modify a source image according to textual prompts and optional reference guidance. Such editing is crucial in scenarios requiring strict structural control (i.e., anomaly insertion in driving scenes and complex human pose transformation). Despite recent advances in large-scale editing models (i.e., Seedream, Nano Banana, etc), most approaches rely on single-step generation. This paradigm often lacks explicit quality control, may introduce excessive deviation from the original image, and frequently produces structural artifacts or environment-inconsistent modifications, typically requiring manual prompt tuning to achieve acceptable results. We propose \textbf{CAMEO}, a structured multi-agent framework that reformulates conditional editing as a quality-aware, feedback-driven process rather than a one-shot generation task. CAMEO decomposes editing into coordinated stages of planning, structured prompting, hypothesis generation, and adaptive reference grounding, where external guidance is invoked only when task complexity requires it. To overcome the lack of intrinsic quality control in existing methods, evaluation is embedded directly within the editing loop. Intermediate results are iteratively refined through structured feedback, forming a closed-loop process that progressively corrects structural and contextual inconsistencies. We evaluate CAMEO on anomaly insertion and human pose switching tasks. Across multiple strong editing backbones and independent evaluation models, CAMEO consistently achieves 20\% more win rate on average compared to multiple state-of-the-art models, demonstrating improved robustness, controllability, and structural reliability in conditional image editing.
• Abstract（参考訳）: 条件付き画像編集は、テキストプロンプトとオプションの参照ガイダンスに従ってソースイメージを変更することを目的としている。 このような編集は、厳密な構造制御を必要とするシナリオ(例えば、運転シーンの異常挿入や複雑な人間のポーズ変換)において重要である。 近年の大規模な編集モデル(Seedream、Nano Bananaなど)の進歩にもかかわらず、ほとんどのアプローチはシングルステップ生成に依存している。 このパラダイムは、しばしば明示的な品質制御を欠き、元のイメージから過度に逸脱し、しばしば構造的アーティファクトや環境に一貫性のない修正を生成し、通常は許容可能な結果を達成するために手動のプロンプトチューニングを必要とする。 本稿では、条件付き編集を1ショット生成タスクではなく、品質に配慮したフィードバック駆動プロセスとして再構成する構造化マルチエージェントフレームワークである「textbf{CAMEO}」を提案する。 CAMEOは、編集を計画、構造化プロンプト、仮説生成、適応参照グラウンドディングの調整段階に分解する。 既存の手法における本質的な品質制御の欠如を克服するため、評価を編集ループに直接埋め込む。 中間結果は、構造化されたフィードバックを通じて反復的に洗練され、構造的および文脈的不整合を段階的に補正する閉ループプロセスを形成する。 異常挿入と人間のポーズ切替作業におけるCAMEOの評価を行った。 複数の強力な編集バックボーンと独立評価モデルにまたがって、CAMEOは、複数の最先端モデルと比較して平均で20倍の勝利率を達成することができ、条件付き画像編集における堅牢性、制御性、構造的信頼性が向上した。

関連論文リスト

• Rethinking Structure Preservation in Text-Guided Image Editing with Visual Autoregressive Models [18.626758540572894]
  本稿では,視覚自己回帰(VAR)モデルにおける中間特徴分布の解析に根ざした,新たなテキスト誘導画像編集フレームワークを提案する。 まず、編集可能な領域を洗練し、編集精度と背景保存のバランスをとる、粗いトークンの局所化戦略を導入する。 第2に、VARモデルの中間表現を分析し、構造に関連した特徴を同定し、単純で効果的な特徴注入機構を設計する。 第3に,拡張学習に基づく適応的特徴注入方式を開発し,スケール比と層比を自動で学習し,編集精度と構造保存を協調的に最適化する。
  論文  参考訳（メタデータ） (2026-03-30T12:35:33Z)
• IMAGAgent: Orchestrating Multi-Turn Image Editing via Constraint-Aware Planning and Reflection [40.21337735524356]
  IMAGAgentは、"plan-execute-reflect"クローズドループメカニズムに基づいたマルチターン画像編集エージェントフレームワークである。 命令解析、ツールスケジューリング、および統一パイプライン内の適応補正の深いシナジーを実現する。 構築した textbfMTEditBench と MagicBrush データセットによる実験により,IMAGAgent が既存の手法よりもはるかに優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-02-12T02:37:38Z)
• I2E: From Image Pixels to Actionable Interactive Environments for Text-Guided Image Editing [59.434028565445885]
  I2Eは、画像編集を構造化された環境内の実行可能な相互作用プロセスとして再考する、新しい「分解・テーマ・アクション」パラダイムである。 I2EはDecomposerを使用して、非構造化画像を個別に操作可能なオブジェクト層に変換し、複雑な命令を解析するために、物理を意識したVision-Language-Action Agentを導入する。 I2Eは、複雑な構成命令の処理、物理的妥当性の維持、マルチターン編集安定性の確保において、最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2026-01-07T09:29:57Z)
• FlowDC: Flow-Based Decoupling-Decay for Complex Image Editing [52.54102743380658]
  本稿では,複雑な編集を複数のサブ編集エフェクトに分離し,編集プロセス中に並列に重畳するFlowDCを提案する。 FlowDCは既存の方法に比べて優れた結果を示した。
  論文  参考訳（メタデータ） (2025-12-12T09:08:39Z)
• The Consistency Critic: Correcting Inconsistencies in Generated Images via Reference-Guided Attentive Alignment [105.31858867473845]
  ImageCriticはエージェントフレームワークに統合され、不整合を自動的に検出し、マルチラウンドおよびローカル編集で修正する。 実験では、ImageCriticは様々なカスタマイズされた生成シナリオで詳細に関連する問題を効果的に解決することができ、既存のメソッドよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2025-11-25T18:40:25Z)
• 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)
• 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)
• Lost in Edits? A $λ$-Compass for AIGC Provenance [119.95562081325552]
  本稿では,実測出力と操作された出力を頑健に識別し,識別する新しい潜在空間属性法を提案する。 LambdaTracerは、InstructPix2Pixのようなテキスト誘導編集ツールによって自動化されるか、Adobe Photoshopのような編集ソフトウェアで手動で実行されるか、様々な反復編集プロセスで有効である。
  論文  参考訳（メタデータ） (2025-02-05T06:24:25Z)
• Task-Oriented Diffusion Inversion for High-Fidelity Text-based Editing [60.730661748555214]
  textbfTask-textbfOriented textbfDiffusion textbfInversion (textbfTODInv) は、特定の編集タスクに適した実際の画像を反転して編集する新しいフレームワークである。 ToDInvは相互最適化によってインバージョンと編集をシームレスに統合し、高い忠実さと正確な編集性を保証する。
  論文  参考訳（メタデータ） (2024-08-23T22:16:34Z)
• Tuning-Free Inversion-Enhanced Control for Consistent Image Editing [44.311286151669464]
  我々は、チューニング不要なインバージョン強化制御(TIC)と呼ばれる新しいアプローチを提案する。 TICは、インバージョンプロセスとサンプリングプロセスの特徴を相関付け、DDIM再構成の不整合を軽減する。 また、インバージョンと単純なDDIM編集プロセスの両方の内容を組み合わせたマスク誘導型アテンション結合戦略を提案する。
  論文  参考訳（メタデータ） (2023-12-22T11:13:22Z)

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。