論文の概要: FineEdit: Fine-Grained Image Edit with Bounding Box Guidance
- arxiv url: http://arxiv.org/abs/2604.10954v1
- Date: Mon, 13 Apr 2026 03:50:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:16.300356
- Title: FineEdit: Fine-Grained Image Edit with Bounding Box Guidance
- Title（参考訳）: FineEdit: ボックス誘導機能付きファイングラインド画像編集
- Abstract要約: FineEditは、モデルが空間条件をより効果的に利用できるようにするマルチレベルバウンディングボックスインジェクションである。
精度の高いバウンディングボックスアノテーションを持つ120万の画像編集ペアからなる,大規模できめ細かなデータセットであるFineEdit-1.2Mを提案する。
FineEdit-Benchの評価は、我々のモデルが最先端のオープンソースモデルを大幅に上回っていることを示している。
- 参考スコア（独自算出の注目度）: 55.73008347516818
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diffusion-based image editing models have achieved significant progress in real world applications. However, conventional models typically rely on natural language prompts, which often lack the precision required to localize target objects. Consequently, these models struggle to maintain background consistency due to their global image regeneration paradigm. Recognizing that visual cues provide an intuitive means for users to highlight specific areas of interest, we utilize bounding boxes as guidance to explicitly define the editing target. This approach ensures that the diffusion model can accurately localize the target while preserving background consistency. To achieve this, we propose FineEdit, a multi-level bounding box injection method that enables the model to utilize spatial conditions more effectively. To support this high precision guidance, we present FineEdit-1.2M, a large scale, fine-grained dataset comprising 1.2 million image editing pairs with precise bounding box annotations. Furthermore, we construct a comprehensive benchmark, termed FineEdit-Bench, which includes 1,000 images across 10 subjects to effectively evaluate region based editing capabilities. Evaluations on FineEdit-Bench demonstrate that our model significantly outperforms state-of-the-art open-source models (e.g., Qwen-Image-Edit and LongCat-Image-Edit) in instruction compliance and background preservation. Further assessments on open benchmarks (GEdit and ImgEdit Bench) confirm its superior generalization and robustness.
- Abstract（参考訳）: 拡散に基づく画像編集モデルは、現実世界の応用において大きな進歩を遂げている。
しかし、従来のモデルは典型的には自然言語のプロンプトに依存しており、ターゲットオブジェクトのローカライズに必要な精度を欠いていることが多い。
その結果、これらのモデルは、グローバルな画像再生パラダイムのため、背景の一貫性を維持するのに苦労する。
視覚的手がかりが、ユーザが特定の関心領域をハイライトする直感的な手段であることを認識し、バウンディングボックスをガイダンスとして使用して、編集対象を明確に定義する。
このアプローチは、拡散モデルが背景の一貫性を維持しながらターゲットを正確にローカライズすることを保証する。
そこで本研究では,空間条件をより効率的に活用する多層境界ボックス注入法であるFineEditを提案する。
この高精度なガイダンスを支援するため,我々はFineEdit-1.2Mという,厳密なバウンディングボックスアノテーションを持つ120万の画像編集ペアからなる大規模できめ細かなデータセットを提案する。
さらに,FineEdit-Benchと呼ばれる総合的なベンチマークを構築し,10の被験者に1,000枚の画像を含む領域ベースの編集機能を効果的に評価する。
FineEdit-Benchの評価は、我々のモデルは、命令コンプライアンスと背景保存において最先端のオープンソースモデル(例えば、Qwen-Image-EditとLongCat-Image-Edit)を大幅に上回っていることを示している。
オープンベンチマーク(GEditとImgEdit Bench)に関するさらなる評価は、その優れた一般化と堅牢性を確認している。
関連論文リスト
- WhereEdit: Mask-aware Local Latent Editing for One-Step Image Editing [16.758428220880734]
ワンステップのテキスト・トゥ・イメージ(T2I)モデルは効率的な画像合成を可能にし、リアルタイム画像編集の新しい機会を提供する。
既存のワンステップ編集手法は意味変換のためのテキストコンディショニングに依存しており、編集すべきテキストの空間的制御が欠如している。
我々は,一段階編集を局所化適応編集として再構成するフレームワークである textbfWhereEdit を提案する。
論文 参考訳（メタデータ） (2026-07-23T03:11:25Z) - SpatialEdit: Benchmarking Fine-Grained Image Spatial Editing [85.49998134609665]
画像空間編集は幾何学的な変換を行い、オブジェクトのレイアウトやカメラの視点を正確に制御できる。
現在のモデルはきめ細かい空間操作には不十分であり、専用のアセスメントスイートを動機付けている。
本研究では,空間編集を評価する完全ベンチマークであるSpatialEdit-Benchを紹介する。
制御可能なブレンダーパイプラインで生成された合成データセットであるSpatialEdit-500kを構築した。
論文 参考訳（メタデータ） (2026-04-06T17:54:42Z) - LocateEdit-Bench: A Benchmark for Instruction-Based Editing Localization [21.62979058692505]
フォージェリローカライゼーション手法をベンチマークするために,231ドルの編集画像からなる大規模データセットを提案する。
データセットには、4つの最先端編集モデルと3つの一般的な編集タイプが組み込まれている。
我々の研究は、画像編集の進化する状況に追従する基盤を確立し、将来の偽のローカライゼーションのための効果的な手法の開発を容易にする。
論文 参考訳（メタデータ） (2026-02-05T12:01:09Z) - Visual Autoregressive Modeling for Instruction-Guided Image Editing [97.04821896251681]
画像編集を次世代の予測問題として再編成する視覚的自己回帰フレームワークを提案する。
VarEditは、正確な編集を実現するために、マルチスケールのターゲット機能を生成する。
1.2秒で512times512$編集を完了し、同じサイズのUltraEditよりも2.2$times$高速になった。
論文 参考訳（メタデータ） (2025-08-21T17:59:32Z) - GIE-Bench: Towards Grounded Evaluation for Text-Guided Image Editing [60.66800567924348]
テキスト誘導画像編集モデルを評価するための新しいベンチマークを導入する。
このベンチマークには、20種類のコンテンツカテゴリにわたる高品質な編集例が1000以上含まれている。
我々は、GPT-Image-1をいくつかの最先端編集モデルと比較する大規模な研究を行っている。
論文 参考訳（メタデータ） (2025-05-16T17:55:54Z) - Step1X-Edit: A Practical Framework for General Image Editing [64.07202539610576]
我々は、Step1X-Editと呼ばれる最先端の画像編集モデルをリリースする。
GPT-4oやGemini2 Flashのようなクローズドソースモデルと同等のパフォーマンスを提供できる。
評価のために,実世界のユーザ指示に根ざした新しいベンチマークであるGEdit-Benchを開発した。
論文 参考訳（メタデータ） (2025-04-24T17:25:12Z) - PartEdit: Fine-Grained Image Editing using Pre-Trained Diffusion Models [80.98455219375862]
本稿では,事前学習した拡散モデルに基づくオブジェクト部品に対する最初のテキストベースの画像編集手法を提案する。
提案手法は, 利用者の66～90%に好まれる。
論文 参考訳（メタデータ） (2025-02-06T13:08:43Z) - ReEdit: Multimodal Exemplar-Based Image Editing with Diffusion Models [11.830273909934688]
最新のテキスト・ツー・イメージ(T2I)拡散モデルでは、高品質な画像を生成することで画像編集に革命をもたらした。
テキストと画像のモダリティの両方で編集をキャプチャする,モジュール的で効率的なエンドツーエンドフレームワークであるReEditを提案する。
以上の結果から,ReEditは定性的かつ定量的に現代的アプローチを一貫して上回っていることが示された。
論文 参考訳（メタデータ） (2024-11-06T15:19:24Z) - SGEdit: Bridging LLM with Text2Image Generative Model for Scene Graph-based Image Editing [42.23117201457898]
本稿では,大規模言語モデル(LLM)とText2生成モデルを統合し,グラフベースの画像編集を行う新しいフレームワークを提案する。
本フレームワークは,編集精度とシーン美学の観点から,既存の画像編集手法を著しく上回っている。
論文 参考訳（メタデータ） (2024-10-15T17:40:48Z)
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。