論文の概要: BRIDGE: Background Routing and Isolated Discrete Gating for Coarse-Mask Local Editing
- arxiv url: http://arxiv.org/abs/2605.07846v1
- Date: Fri, 08 May 2026 15:09:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 19:43:39.146458
- Title: BRIDGE: Background Routing and Isolated Discrete Gating for Coarse-Mask Local Editing
- Title（参考訳）: BRIDGE: 粗面局所編集のためのバックグラウンドルーティングと分離離散ゲーティング
- Abstract要約: 粗いマスクのローカル画像編集は、周囲のシーンを保存しながら、ユーザが指定した領域を変更するモデルを要求する。
本研究では,この障害をマスク形状バイアスとして検討し,そのタスクを2次元制約によりフレーム化する。
Bridgeはこの設定に対処するため、DiTバックボーンの外側にマスクを置き、構築とブレンディングをサポートし、DiT内部マスク注入やコピーコントロールブランチを避ける。
- 参考スコア（独自算出の注目度）: 6.102786823233576
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Coarse-mask local image editing asks a model to modify a user-indicated region while preserving the surrounding scene. In practice, however, rough masks often become unintended shape priors: instead of serving as flexible edit support, the mask can pull the generated object toward its accidental boundary. We study this failure as mask-shape bias and frame the task through a Two-Zone Constraint, where the background should remain stable while the editable region should follow the instruction without being forced to inherit the mask contour. BRIDGE addresses this setting by keeping masks outside the DiT backbone for support construction and blending, avoiding DiT-internal mask injection and copied control branches. It uses BridgePath generation, where a Main Path preserves background context and a Subject Path generates editable content from independent noise. Motivated by a diagnostic Qwen-Image experiment showing that positional embeddings and attention connectivity regulate which image context visual tokens reuse, BRIDGE introduces a learnable Discrete Geometric Gate for token-level positional-embedding routing. This gate lets subject tokens borrow background-anchored coordinates near fusion regions or keep subject-centric coordinates for geometric freedom. We evaluate BRIDGE on BRIDGE-Bench, MagicBrush, and ICE-Bench. On BRIDGE-Bench, BRIDGE improves Local SigLIP2-T from 0.262 with FLUX.1-Fill and 0.390 with ACE++ to 0.503, with parallel gains in local DINO and DreamSim. Zero-shot results on MagicBrush and ICE-Bench further indicate competitive alignment and source preservation beyond the curated benchmark, while the added routing module remains compact at 13.31M parameters compared with ControlNet-style copied branches.
- Abstract（参考訳）: 粗いマスクのローカル画像編集は、周囲のシーンを保存しながら、ユーザが指定した領域を変更するモデルを要求する。
しかし実際には、粗いマスクは意図しない形になることが多く、フレキシブルな編集サポートとして機能する代わりに、マスクは生成された物体を偶然の境界に向かって引っ張ることができる。
本研究では,この障害をマスク形状バイアスとして検討し,背景が安定でありながら,編集可能な領域がマスク輪郭の継承を強制されることなく命令に従うような2次元制約(Two-Zone Constraint)を通した。
BRIDGEはこの設定に対処するため、DiTバックボーンの外側にマスクを置き、構築とブレンディングをサポートし、DiT内部マスク注入やコピーコントロールブランチを避ける。
Main Pathがバックグラウンドコンテキストを保存し、Subject Pathが独立したノイズから編集可能なコンテンツを生成するBridgePath生成を使用する。
BRIDGEは、位置埋め込みとアテンション接続が画像コンテキストの視覚トークンの再利用を制御することを示す診断Qwen-Image実験により、トークンレベルの位置埋め込みルーティングのための学習可能な離散幾何学ゲートを導入した。
このゲートは、被写体トークンが融合領域付近で背景アンコールされた座標を借りたり、幾何学的自由のために被写体中心の座標を維持できる。
BRIDGEをBRIDGE-Bench, MagicBrush, ICE-Benchで評価した。
BRIDGE-Benchでは、ローカルSigLIP2-TをFLUX.1-Fillで0.262、ACE++で0.390、ローカルDINOとDreamSimで0.503に改善した。
MagicBrush と ICE-Bench のゼロショット結果はさらに、コンパイルされたベンチマークを超える競合的なアライメントとソース保存を示す一方で、追加のルーティングモジュールは ControlNet スタイルのコピーブランチと比較して 13.31M のパラメータでコンパクトである。
関連論文リスト
- MDN-Control: Mask-Depth-Noise Guided Region Control for Multi-Subject Video Editing [19.25272895567409]
マルチサブジェクトビデオ編集は、非ターゲットコンテンツを保持しながら指定対象を変更する。
既存のアプローチはマスクに依存しており、重複する対象を区別したり、一貫した生成を保証するのに苦労している。
MDN-Controlは,目標位置,オクルージョン形状,外観を協調的に制御するフリートレーニングフレームワークである。
MSVBenchの実験では、MDN-Controlは、競争力のあるテキストアライメントと時間的一貫性を維持しながら、最低のCM-Errと最高Q-Editを達成した。
論文 参考訳（メタデータ） (2026-09-15T00:58:55Z) - MatReplace: A Reference-Free, Conditioning-Aligned Benchmark for Material Replacement in Interior Scenes [49.454624206478]
MatReplaceは、4つの検証可能な次元に沿って編集を評価する、参照なしのベンチマークである。
A)命令のみ、(B)命令+エリアマスク、(C)教材参照画像の3つのトラックを定義している。
以上の結果から,命名と視覚的接地材料との明確な相違が明らかとなった。
論文 参考訳（メタデータ） (2026-08-25T06:11:18Z) - Diffusion Image Editing via Asynchronous Token Decoding [9.39531887626368]
ATDEditは、各サンプリングステップをグローバルに結合されたトークンマトリックスの並列更新とみなす推論時フレームワークである。
トークンワイズ条件推定を用いて編集可能な位置を推定し、選択したトークンセットに目標条件補正を適用する。
キー/バリューのソースメモリを保留位置で提供し、プロジェクトは保留位置の潜在行を元の値に戻す。
論文 参考訳（メタデータ） (2026-08-10T09:02:13Z) - Edit the Bits, Diff the Codes: Bitwise Residual Editing for Visual Autoregressive Models [85.59447229497101]
BitResEditは、Infinityのようなビットワイズ残留VARジェネレータのためのトレーニング不要のエディタである。
ソース-負のガイダンスは、共有編集プレフィックスで計算されたソース-ターゲットコントラストに沿って、ビットごとのポストCFGログ-oddを傾けることで実行される。
サンプルされたビットをスケールごとの連続コード残基に変換し、ローカライゼーションマスクでゲートし、ジェネレータのネイティブサム・オブ・スケールを通じて再注入する。
論文 参考訳（メタデータ） (2026-06-11T16:41:25Z) - SIGMA: Semantic-Difference Instruction-Grounding Mask Annotator for Text-Driven Image Manipulation Localization [64.6372217552272]
公開編集データセットには、IMLトレーニングサンプルと構造的に同一(オリジナル、編集)のペアが数百万個含まれており、ピクセルレベルのマスクのみが欠如している。
本稿では,視覚基盤のバックボーンにおいて意味・特徴の相違を行うSIGMAを提案する。
1.1M IMLトレーニングセットを生成し、5つのデータセットに対して+18.34%のF1で6つの多様な検出器を改善する。
論文 参考訳（メタデータ） (2026-05-27T03:55:13Z) - GenMask: Adapting DiT for Segmentation via Direct Mask Generation [81.54526445834294]
間接的な適応の代わりに、セグメント化タスクは生成的な方法で直接訓練されるべきである、と我々は主張する。
分割のための極度のノイズレベルと画像生成のための中等度雑音を強調する二元マスクの時間ステップサンプリング戦略を導入する。
GenMaskは,RGB空間における色鮮やかな画像だけでなく,黒と白のセグメンテーションマスクを生成するためのDiTトレインである。
論文 参考訳（メタデータ） (2026-03-25T03:52:05Z) - ReMix: Towards a Unified View of Consistent Character Generation and Editing [22.04681457337335]
ReMixは、文字一貫性の生成と編集のための統一されたフレームワークである。
ReMixモジュールとIP-ControlNetという2つのコアコンポーネントで構成されている。
ReMixはパーソナライズされた生成、画像編集、スタイル転送、マルチ条件合成など、幅広いタスクをサポートしている。
論文 参考訳（メタデータ） (2025-10-11T10:31:56Z) - UGround: Towards Unified Visual Grounding with Unrolled Transformers [42.58167803005241]
これは、textbfUnified visual textbfGrounding パラダイムで、textbfUnrolled transformer の中間層をプロンプトとしてマスクとして動的に選択する。
UGroundの中心となるのは、Skip Connection (SSC) と Mask as Prompt (MasP) の2つの重要なコンポーネントからなる、ポリシープロンプト型マスキングである。
論文 参考訳（メタデータ） (2025-10-04T15:56:52Z) - MaskAttn-SDXL: Controllable Region-Level Text-To-Image Generation [10.894281690166418]
安定拡散XL(SDXL)のUNetのクロスアテンションロジットに適用した領域レベルのゲーティング機構であるMaskAttn-SDXLを提案する。
MaskAttn-SDXLは、層ごとのバイナリマスクを学習し、トークン間相互作用をスパシフィケートするために、ソフトマックスの前に各アテンションロジットマップにそれを注入する。
画像の質と多様性を保ちながら,マルチオブジェクトプロンプトにおける空間コンプライアンスと属性バインディングを改善した。
論文 参考訳（メタデータ） (2025-09-18T18:57:47Z) - High-Quality Mask Tuning Matters for Open-Vocabulary Segmentation [109.19165503929992]
ここでは,CLIPのマスク分類能力を高めるために,生成されたマスクの代わりに接地トラスマスクを使用するMaskCLIP++を提案する。
低コストの微調整を経て、MaskCLIP++はマルチドメインデータセットのマスク分類性能を大幅に改善した。
我々は,A-847,PC-459,A-150,PC-59,PAS-20データセット上で+1.7,+2.3,+2.1,+3.1,+0.3 mIoUの性能改善を実現する。
論文 参考訳（メタデータ） (2024-12-16T05:44:45Z) - Image Inpainting with Edge-guided Learnable Bidirectional Attention Maps [85.67745220834718]
不規則な穴の画像インペインティングを改善するためのエッジガイド学習可能な双方向注意マップ(Edge-LBAM)を紹介します。
当社のEdge-LBAMメソッドには、予測エッジによる構造認識マスク更新を含むデュアルプロシージャが含まれています。
広範な実験により,エッジlbamはコヒーレントな画像構造を生成し,色差やぼやけを防止できることがわかった。
論文 参考訳（メタデータ） (2021-04-25T07:25:16Z)
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。