論文の概要: PhysEdit: Physically-Consistent Region-Aware Image Editing via Adaptive Spatio-Temporal Reasoning
- arxiv url: http://arxiv.org/abs/2605.00707v1
- Date: Fri, 01 May 2026 14:51:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-04 17:43:28.989583
- Title: PhysEdit: Physically-Consistent Region-Aware Image Editing via Adaptive Spatio-Temporal Reasoning
- Title（参考訳）: PhysEdit: 適応時空間推論による物理的に一貫性のある領域認識画像編集
- Abstract要約: 本稿では,空間的および時間的軸に沿った適応性を中心に構築された編集フレームワークであるPhysEditを紹介する。
PhysEditは、バックボーンを再トレーニングすることなく構成する2つの推論時モジュールを導入している。
737ケースのImgEdit Basic-Edit Suiteでは、PhysEditは強力な理由付けベースライン上で1.18倍のウォールクロックのスピードアップを提供する。
- 参考スコア（独自算出の注目度）: 10.474377498273205
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image editing instructions are heterogeneous: a color swap, an object insertion, and a physical-action edit all demand different spatial coverage and different reasoning depth, yet existing reasoning-based editors apply a single fixed inference recipe to every instruction. We argue that adaptivity along both the spatial and temporal axes is the missing degree of freedom, and we present PhysEdit, an editing framework built around this principle. PhysEdit introduces two inference-time modules that compose without retraining the backbone. At its core, (1) Complexity-Adaptive Reasoning Depth (CARD) predicts edit complexity directly from the instruction and reference image and allocates the reasoning step count N_r and reasoning-token length r per sample -- turning a previously fixed inference schedule into a conditional-computation problem. CARD is supported by (2) a Spatial Reasoning Mask (SRM) that extracts an instruction-conditioned spatial prior from cross-attention to confine reasoning to regions that semantically require it. On the full 737-case ImgEdit Basic-Edit Suite, PhysEdit delivers a 1.18x wall-clock speedup (64.3s vs. 76.1s per sample) over a strong reasoning baseline while slightly improving instruction adherence (CLIP-T 0.2283 vs. 0.2266, +0.7%) and matching identity preservation within noise (CLIP-I 0.8246 vs. 0.8280). The speedup is category-dependent and reaches 1.52x on appearance-level edits, validating CARD's adaptive allocation as the principal source of efficiency gain. A 30-sample pilot with full ablations isolates the contribution of each module.
- Abstract（参考訳）: 画像編集命令は異種であり、色スワップ、オブジェクト挿入、物理動作の編集はすべて異なる空間カバレッジと異なる推論深さを必要とするが、既存の推論ベースのエディタはすべての命令に1つの固定推論レシピを適用する。
我々は、空間軸と時間軸の両方に沿った適応性は自由の欠如であると主張し、この原理に基づいて構築された編集フレームワークであるPhysEditを提示する。
PhysEditは、バックボーンを再トレーニングすることなく構成する2つの推論時モジュールを導入している。
1)複雑度適応推論深度(CARD)は、命令と参照画像から直接編集の複雑さを予測し、推論ステップカウントN_rと推論トーケン長さrを1サンプルあたり割り当てる -- 予め固定された推論スケジュールを条件計算問題に変換する。
CARDは(2)SRM(Spatial Reasoning Mask)によってサポートされており、命令条件付き空間をクロスアテンションから抽出し、意味的に要求される領域に推論を限定する。
737ケースのImgEdit Basic-Edit Suiteで、PhysEditは1.18xのウォールクロックスピードアップ(64.3s vs. 76.1s)を強い理由付けベースラインで提供し、命令アテンデンス(CLIP-T 0.2283 vs. 0.2266, +0.7%)をわずかに改善し、ノイズ(CLIP-I 0.8246 vs. 0.8280)内での同一性保存を実現した。
スピードアップはカテゴリ依存であり、外観レベルの編集では1.22倍に達し、CARDの適応アロケーションを効率向上の主源として検証する。
完全なアブレーションを持つ30サンプルのパイロットは、各モジュールのコントリビューションを分離する。
関連論文リスト
- Spatial Temporal Synergy: Balancing Change and Invariance in Text Driven 3D Human Motion Editing [78.44034844227868]
テキスト駆動型人間の動作編集は、自然言語の指示に従って既存の動作シーケンスを変更することを目的としている。
変化と不変性 (Change and Invariance Motion Editing, CIME) は、変化と不変性を空間的ポーズと時間的リズム次元に包括的に分離する統合フレームワークである。
MotionFixとSTANCE調整データセットの実験は、CIMEがアライメントと構造的忠実さの編集において最先端のパフォーマンスを達成することを示した。
論文 参考訳（メタデータ） (2026-08-17T01:54:44Z) - EditRefiner: A Human-Aligned Agentic Framework for Image Editing Refinement [76.76247443244293]
EditRefinerは、編集後の修正を人間のような認識・推論・行動評価ループとして再構成するエージェントフレームワークである。
歪み、診断精度、人間の知覚アライメントにおいて、最先端の手法を一貫して上回る。
論文 参考訳（メタデータ） (2026-05-08T09:05:08Z) - Refinement via Regeneration: Enlarging Modification Space Boosts Image Refinement in Unified Multimodal Models [31.610744580137634]
統一マルチモーダルモデル(UMM)は、視覚的理解と生成を単一のフレームワークに統合する。
現在のUMMベースの精細化手法はRvE(Refinement-via-editing)パラダイムに従っており、UMMは、整合性のあるコンテンツを保存しながら、不整合性のある領域を修正するための編集命令を生成する。
本稿では,リファインメントを編集ではなく条件付き画像再生として再構成する新しいフレームワークであるRefinement via Regeneration (RvR)を提案する。
論文 参考訳（メタデータ） (2026-04-28T13:36:03Z) - Edit Where You Mean: Region-Aware Adapter Injection for Mask-Free Local Image Editing [28.295031615161136]
大規模な拡散変換器 (DiT) はグローバルな編集命令に従っているが、常に非関連領域に局所的な編集をリークする。
そこで我々はAdaptEditを紹介した。AdaptEditは、訓練された命令と地域対応のアダプタフレームワークである。
AdaptEditは最先端の結果を達成し、マスクフリーとオラクルマスクのベースラインを同時に上回る。
論文 参考訳（メタデータ） (2026-04-26T15:28:02Z) - DSCA: Dynamic Subspace Concept Alignment for Lifelong VLM Editing [1.6830191160943109]
生涯の編集は難しい作業であり、これまで学んだ概念を乱す傾向がある。
現在の手法では、知識を構造的に分離するのではなく、最適化によって編集をアルゴリズムで制御している。
本稿では,この制限を緩和する動的部分空間概念アライメント(DSCA)を提案する。
本手法は,1回の編集で98%,1000回の編集後に95%以上,幻覚を3～5%,連続的なチューニングチューニングベンチマークで最高の後方転送(BWT)スコアが得られた。
論文 参考訳（メタデータ） (2026-04-09T08:25:54Z) - From Statics to Dynamics: Physics-Aware Image Editing with Latent Transition Priors [62.96515611323478]
テキスト-視覚的二重思考機構を備えたエンドツーエンドフレームワークであるPhysicalcEditを紹介する。
実験の結果、PhysicEditはQwen-Image-Editよりも5.9%、知識ベース編集では10.1%改善していることがわかった。
論文 参考訳（メタデータ） (2026-02-25T10:54:46Z) - Fine-tuning Done Right in Model Editing [83.79661791576103]
大規模な言語モデルを適応するための基礎的な手法であるファインチューニングは、長い間モデル編集には有効ではないと考えられてきた。
ミニバッチ最適化により、標準的な幅優先パイプライン(エポックベース)に微調整を復元する。
我々は、復元された微調整フレームワーク上に構築された、シンプルで効果的なローカライズド編集手法であるLocFT-BFを導出する。
論文 参考訳（メタデータ） (2025-09-26T08:53:13Z) - O-DisCo-Edit: Object Distortion Control for Unified Realistic Video Editing [88.93410369258203]
O-DisCo-Editは、新しいオブジェクト歪み制御(O-DisCo)を組み込んだ統合フレームワークである
この信号はランダムノイズと適応ノイズに基づいて、単一の表現内に幅広い編集キューを柔軟にカプセル化する。
O-DisCo-Editは、効果的なトレーニングパラダイムによる効率的な高忠実な編集を可能にする。
論文 参考訳（メタデータ） (2025-09-01T16:29:39Z) - 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)
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。