論文の概要: Banana100: Breaking NR-IQA Metrics by 100 Iterative Image Replications with Nano Banana Pro
- arxiv url: http://arxiv.org/abs/2604.03400v1
- Date: Fri, 03 Apr 2026 19:01:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-07 15:49:18.555587
- Title: Banana100: Breaking NR-IQA Metrics by 100 Iterative Image Replications with Nano Banana Pro
- Title（参考訳）: ナノバナ100」でNR-IQA測定値が100倍に
- Abstract要約: 画像品質の反復的劣化であるマルチターン編集における重要な弱点を同定する。
画像が繰り返し編集されるにつれて、小さなアーティファクトが蓄積され、目に見えるノイズが急速に蓄積される。
ここでは、100の反復編集ステップを通じて生成された28,000の劣化画像のデータセットであるBana100を紹介する。
- 参考スコア（独自算出の注目度）: 4.371362479844531
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The multi-step, iterative image editing capabilities of multi-modal agentic systems have transformed digital content creation. Although latest image editing models faithfully follow instructions and generate high-quality images in single-turn edits, we identify a critical weakness in multi-turn editing, which is the iterative degradation of image quality. As images are repeatedly edited, minor artifacts accumulate, rapidly leading to a severe accumulation of visible noise and a failure to follow simple editing instructions. To systematically study these failures, we introduce Banana100, a comprehensive dataset of 28,000 degraded images generated through 100 iterative editing steps, including diverse textures and image content. Alarmingly, image quality evaluators fail to detect the degradation. Among 21 popular no-reference image quality assessment (NR-IQA) metrics, none of them consistently assign lower scores to heavily degraded images than to clean ones. The dual failures of generators and evaluators may threaten the stability of future model training and the safety of deployed agentic systems, if the low-quality synthetic data generated by multi-turn edits escape quality filters. We release the full code and data to facilitate the development of more robust models, helping to mitigate the fragility of multi-modal agentic systems.
- Abstract（参考訳）: マルチモーダルエージェントシステムの多段階反復画像編集機能は、デジタルコンテンツ作成を変革した。
最新の画像編集モデルは、忠実に指示に従い、一ターン編集で高品質な画像を生成するが、画像品質の反復的劣化であるマルチターン編集の重大な弱点を特定する。
画像が繰り返し編集されるにつれて、小さなアーティファクトが蓄積され、目に見えるノイズが著しく蓄積され、単純な編集指示に従わなかった。
これらの失敗を体系的に研究するために,さまざまなテクスチャや画像の内容を含む100の反復編集ステップを通じて生成された28,000の劣化画像の包括的なデータセットであるBana100を紹介した。
また、画像品質評価器は劣化の検出に失敗する。
21の人気のあるNo-Reference Image Quality Assessment (NR-IQA) の指標のうち、どの指標も常に劣化した画像に低いスコアを割り当てていない。
ジェネレータと評価器の二重故障は、マルチターンによって生成された低品質合成データがエスケープ品質フィルタを編集した場合、将来のモデルトレーニングの安定性とデプロイされたエージェントシステムの安全性を脅かす可能性がある。
我々は、より堅牢なモデルの開発を促進するために、完全なコードとデータをリリースし、マルチモーダルエージェントシステムの脆弱性を軽減するのに役立ちます。
関連論文リスト
- Quality-Aware Calibration for AI-Generated Image Detection in the Wild [13.4681679159494]
QuAD(Quality-Aware calibration with near-duplicates)は、同じ画像のすべての利用可能なニア・ドプリケートに基づいて決定を行う新しいフレームワークである。
オンライン再投稿のダイナミクスをシミュレートする分解木で編成された136kのイメージのラベル付きデータセットであるAncesTreeと、バイラルWebコンテンツから収集された約10kに近い画像の実際のデータセットであるReWINDの2つのデータセットを紹介した。
論文 参考訳（メタデータ） (2026-04-16T13:56:52Z) - Restore, Assess, Repeat: A Unified Framework for Iterative Image Restoration [84.3817904120563]
画像復元は、悪天候、ぼやけ、低光など、さまざまな要因によって劣化した入力から高品質なイメージを復元することを目的としている。
本稿では,画像品質評価 (IQA) と画像復元 (IR) を統一したフレームワークに統合したリストア・アセス・アンド・リピートプロセス RAR を提案する。
具体的には、劣化同定、画像復元、品質検証を共同で行うために、潜伏領域で完全に機能する復元プロセスを導入する。
論文 参考訳（メタデータ） (2026-03-27T13:13:44Z) - Learning to Restore Multi-Degraded Images via Ingredient Decoupling and Task-Aware Path Adaptation [51.10017611491389]
現実のイメージは、雨、騒音、ヘイズのような複数の共存する劣化に悩まされることが多い。
本稿では, 劣化成分の分解表現を利用して, 画像の再構成を行う適応型多重劣化画像復元ネットワークを提案する。
その結果、IMDNetと呼ばれる密に統合されたアーキテクチャは、実験を通じて広範囲に検証されている。
論文 参考訳（メタデータ） (2025-11-07T01:50:36Z) - UniRes: Universal Image Restoration for Complex Degradations [53.74404005987783]
実世界のイメージ復元は、様々なキャプチャ条件、キャプチャデバイス、後処理パイプラインから生じるさまざまな劣化によって妨げられている。
UniResという名前の、シンプルで柔軟な拡散ベースのフレームワークは、このような劣化をエンドツーエンドで解決するために提案されている。
提案手法は, 複合劣化画像復元データセットと単分解画像復元データセットの両方を用いて評価する。
論文 参考訳（メタデータ） (2025-06-05T21:25:39Z) - DPMambaIR: All-in-One Image Restoration via Degradation-Aware Prompt State Space Model [52.44931846016603]
DPMambaIRは新しいオールインワン画像復元フレームワークで、微細な分解抽出器と劣化を意識した状態空間モデルを導入している。
DPMambaIRは、PSNRとSSIMでそれぞれ27.69dBと0.893の最高性能を達成している。
論文 参考訳（メタデータ） (2025-04-24T16:46:32Z) - 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) - CRNet: A Detail-Preserving Network for Unified Image Restoration and Enhancement Task [44.14681936953848]
複合リファインメントネットワーク(CRNet)は、統合された画像復元と拡張を行うことができる。
CRNetは、プール層を通じて、高頻度と低周波の情報を明確に分離し、強化する。
私たちのモデルは、ブラケット画像復元・拡張チャレンジの最初のトラックで3位を確保しました。
論文 参考訳（メタデータ） (2024-04-22T12:33:18Z) - Photo-Realistic Image Restoration in the Wild with Controlled Vision-Language Models [14.25759541950917]
この研究は、能動的視覚言語モデルと合成分解パイプラインを活用して、野生(ワイルドIR)における画像復元を学習する。
我々の基底拡散モデルは画像復元SDE(IR-SDE)である。
論文 参考訳（メタデータ） (2024-04-15T12:34:21Z) - Ground-A-Score: Scaling Up the Score Distillation for Multi-Attribute Editing [49.419619882284906]
Ground-A-Scoreは、スコア蒸留時のグラウンド処理を取り入れた強力なモデル非依存画像編集法である。
新しいペナルティ係数とコントラスト損失を持つ選択的応用は、編集領域を正確にターゲットするのに役立つ。
質的評価と定量的分析の両方で、Ground-A-Scoreは拡張および多面的プロンプトの複雑な詳細に順応することを確認した。
論文 参考訳（メタデータ） (2024-03-20T12:40:32Z) - Descanning: From Scanned to the Original Images with a Color Correction
Diffusion Model [11.179584649698134]
我々はDESCAN-18Kという,高品質で大規模なデータセットを新たに導入する。
これは、複数の複雑な劣化を含む野生で収集された18K対の原画像とスキャンされた画像を含んでいる。
本研究では,大域的な色劣化を補正するカラーエンコーダと,局所的な劣化を除去する条件付き拡散確率モデル(DDPM)からなる,DescanDiffusionと呼ばれる新しい画像復元モデルを提案する。
論文 参考訳（メタデータ） (2024-02-08T02:11:52Z) - Exposure Bracketing Is All You Need For A High-Quality Image [50.822601495422916]
マルチ露光画像は、デノイング、デブロアリング、高ダイナミックレンジイメージング、超解像において相補的である。
本研究では,これらの課題を組み合わせ,高品質な画像を得るために露光ブラケット写真を活用することを提案する。
特に時間変調リカレントネットワーク(TMRNet)と自己教師あり適応手法を提案する。
論文 参考訳（メタデータ） (2024-01-01T14:14:35Z) - Prompt-based Ingredient-Oriented All-in-One Image Restoration [0.0]
複数の画像劣化課題に対処する新しいデータ成分指向手法を提案する。
具体的には、エンコーダを用いて特徴をキャプチャし、デコーダを誘導するための劣化情報を含むプロンプトを導入する。
我々の手法は最先端技術と競争的に機能する。
論文 参考訳（メタデータ） (2023-09-06T15:05:04Z)
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。