論文の概要: LimeCross: Context-Conditioned Layered Image Editing with Structural Consistency
- arxiv url: http://arxiv.org/abs/2605.10319v1
- Date: Mon, 11 May 2026 10:18:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-13 02:24:05.557934
- Title: LimeCross: Context-Conditioned Layered Image Editing with Structural Consistency
- Title（参考訳）: LimeCross: コンテクストに制約のある階層画像編集
- Authors: Ryugo Morita, Stanislav Frolov, Brian Bernhard Moser, Ko Watanabe, Riku Takahashi, Issey Sukeda, Andreas Dengel,
- Abstract要約: トレーニング不要な文脈条件付き階層画像編集フレームワークLimeCrossを提案する。
テキストに従ってユーザ選択のRGBAレイヤを編集し、残りのレイヤは変更しない。
実験により、LimeCrossは強力な編集ベースラインよりも層純度と合成リアリズムを改善することが示された。
- 参考スコア（独自算出の注目度）: 7.077690782604656
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Layered image assets are widely used in real-world creative workflows, enabling non-destructive iteration and flexible re-composition. Recent advances in layered image generation and decomposition synthesize or recover layered representations, yet controllable editing of layered images remains challenging. Manual editing requires careful coordination across layers to maintain consistent illumination and contact, while AI-based pipelines collapse layers into a flattened image for editing, then decompose them again, introducing background-to-foreground leakage and unstable transparency. To address these limitations, we propose LimeCross, a training-free context-conditioned layered image editing framework that edits user-selected RGBA layers according to text while keeping the remaining layers unchanged. It leverages contextual cues from other layers using a bi-stream attention mechanism to preserve cross-layer consistency, while explicitly maintaining layer integrity to prevent the contamination of edited layers. To evaluate our approach, we introduce LayerEditBench, a benchmark of 1500 layered scenes with paired source/target prompts, along with evaluation protocols that assess both edit fidelity and alpha channel stability. Extensive experiments demonstrate that LimeCross improves layer purity and composite realism over strong editing baselines, establishing context-conditioned layered editing as a principled framework for controllable generative creation.
- Abstract（参考訳）: 階層化されたイメージアセットは現実世界のクリエイティブワークフローで広く使われ、非破壊的なイテレーションと柔軟な再構成を可能にする。
階層化画像の生成と分解の最近の進歩は、階層化表現を合成または復元するが、階層化画像の制御可能な編集は困難である。
手動編集は、一貫した照明と接触を維持するために層間の注意深い調整を必要とし、一方AIベースのパイプラインは、階層をフラット化されたイメージに分解して編集し、バックグラウンドから地上へのリークと不安定な透明性を導入して、それらを再度分解する。
この制限に対処するため,トレーニング不要なコンテキスト条件付き階層画像編集フレームワークであるLimeCrossを提案する。
双方向のアテンションメカニズムを使用して、他のレイヤからのコンテキストキューを活用して、階層間の一貫性を維持しながら、編集されたレイヤの汚染を防ぐために、レイヤの整合性を明確に維持する。
提案手法を評価するために,1500段の階層化シーンとペアのソース/ターゲットプロンプトのベンチマークであるLayerEditBenchと,編集忠実度とアルファチャネル安定性の両方を評価する評価プロトコルを紹介する。
大規模な実験により、LimeCrossは強力な編集ベースラインよりも層純度と合成リアリズムを改善し、コンテキスト条件付き階層編集を制御可能な生成生成の原則的フレームワークとして確立した。
関連論文リスト
- Edge-Aware Image Manipulation via Diffusion Models with a Novel Structure-Preservation Loss [32.26030534230571]
入力画像と編集画像の間の構造的差異を定量化する新しい構造保存損失(SPL)を提案する。
我々は,SPLを拡散モデルの生成過程に直接統合し,構造的忠実性を確保する。
実験により、SPLは構造的忠実性を高め、潜伏拡散に基づく画像編集における最先端のパフォーマンスを提供する。
論文 参考訳（メタデータ） (2026-01-23T11:06:51Z) - Controllable Layered Image Generation for Real-World Editing [49.81321254149423]
LASAGNAは、その構成層と共同で画像を生成する、新しく統合されたフレームワークである。
クリーンな背景とRGBAフォアグラウンドからなる新しいデータセットであるLASAGNA-48Kを紹介した。
LASAGNAは複数の画像層にまたがって高度に一貫性があり一貫性のある結果を生成するのに優れていることを示す。
論文 参考訳（メタデータ） (2026-01-21T22:29:33Z) - Qwen-Image-Layered: Towards Inherent Editability via Layer Decomposition [73.43121650616804]
単一のRGB画像を複数の意味的不整合RGBA層に分解するエンドツーエンド拡散モデルである textbfQwen-Image-Layered を提案する。
本手法は,分解品質の既存手法を大幅に上回り,一貫した画像編集のための新しいパラダイムを確立する。
論文 参考訳（メタデータ） (2025-12-17T17:12:42Z) - OmniPSD: Layered PSD Generation with Diffusion Transformer [59.20320950128599]
本稿では,Fluxエコシステム上に構築された統合拡散フレームワークであるOmniPSDを提案する。
テキスト・ツー・PSD生成と画像・ツー・PSD分解を可能にする。
我々の新しいRGBA層データセットの実験は、OmniPSDが高忠実度生成を実現することを示す。
論文 参考訳（メタデータ） (2025-12-10T02:09:59Z) - From Inpainting to Layer Decomposition: Repurposing Generative Inpainting Models for Image Layer Decomposition [16.7393689710179]
レイヤ化された表現により、要素の独立した編集が可能になり、コンテンツ作成の柔軟性が向上する。
我々は, 層分解と in/outpainting タスクの強い関係を観察し, 軽量微細化による層分解に対する拡散型インペインティングモデルの適用を提案する。
潜伏空間の細部をより詳細に保存するために,線形注意複雑性を持つ新しいマルチモーダルコンテキスト融合モジュールを導入する。
論文 参考訳（メタデータ） (2025-11-26T02:50:07Z) - LayerD: Decomposing Raster Graphic Designs into Layers [15.294433619347082]
LayerDは、グラフィックデザインをレイヤに分解して、再編集可能なクリエイティブワークフローを作成する方法である。
層が一様に見えるという仮定を生かした,単純かつ効果的な改質手法を提案する。
実験では、LayerDは高品質な分解を実現し、ベースラインを上回ります。
論文 参考訳（メタデータ） (2025-09-29T17:50:12Z) - DiffDecompose: Layer-Wise Decomposition of Alpha-Composited Images via Diffusion Transformers [85.1185656296496]
本稿では,DiffDecomposeについて述べる。DiffDecomposeは拡散トランスフォーマーをベースとしたフレームワークで,入力画像に条件付き可能な層分解を後部から学習する。
コードとデータセットは、論文の受理時に提供される。
論文 参考訳（メタデータ） (2025-05-24T16:08:04Z) - Generative Image Layer Decomposition with Visual Effects [49.75021036203426]
LayerDecompは、イメージ層分解のための生成フレームワークである。
清潔な背景と、忠実に保存された視覚効果を持つ高品質な透明な前景を作り出す。
本手法は,オブジェクト除去や空間編集作業において,既存の手法よりも優れた分解特性を実現する。
論文 参考訳（メタデータ） (2024-11-26T20:26:49Z) - Stable Flow: Vital Layers for Training-Free Image Editing [74.52248787189302]
拡散モデルはコンテンツ合成と編集の分野に革命をもたらした。
最近のモデルでは、従来のUNetアーキテクチャをDiffusion Transformer (DiT)に置き換えている。
画像形成に欠かせないDiT内の「硝子層」を自動同定する手法を提案する。
次に、実画像編集を可能にするために、フローモデルのための改良された画像反転手法を提案する。
論文 参考訳（メタデータ） (2024-11-21T18:59:51Z) - LayerDiffusion: Layered Controlled Image Editing with Diffusion Models [5.58892860792971]
LayerDiffusionはセマンティックベースの階層制御画像編集手法である。
我々は、大規模テキスト・画像モデルを活用し、階層化された制御最適化戦略を採用する。
実験により,高コヒーレント画像の生成における本手法の有効性が示された。
論文 参考訳（メタデータ） (2023-05-30T01:26:41Z)
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。