論文の概要: AdaEraser: Training-Free Object Removal via Adaptive Attention Suppression
- arxiv url: http://arxiv.org/abs/2605.15921v1
- Date: Fri, 15 May 2026 13:03:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-18 21:22:26.287605
- Title: AdaEraser: Training-Free Object Removal via Adaptive Attention Suppression
- Title（参考訳）: AdaEraser: 適応的注意抑制による学習自由物体除去
- Authors: Dingming Liu,
- Abstract要約: AdaEraserは,対象対象概念の存在推定に基づいて注意を調節する適応型フレームワークである。
AdaEraserはオブジェクトの削除において優れたパフォーマンスを実現し、トレーニングベースの方法よりも優れています。
- 参考スコア（独自算出の注目度）: 0.40611352512781856
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Object removal aims to eliminate specified objects from images while plausibly inpainting the affected regions with background content. Current training-free methods typically block attention to object regions within self-attention layers during the image generation process, leveraging surrounding background information to restore the image. However, indiscriminate suppression of self-attention in the vacated areas can degrade generation quality, as the model must simultaneously reconstruct background content in these regions. To solve this conflict, we propose AdaEraser, an adaptive framework that dynamically modulates attention based on the estimated presence of target object concepts. Through analysis of self-attention map evolution across denoising timesteps before and during removal, we develop a token-wise adaptive attention suppression strategy. This approach enables progressive perception of object removal throughout the denoising process, with the suppression strength in self-attention layers adjusted adaptively. Extensive experiments demonstrate that AdaEraser achieves superior performance in object removal, outperforming even training-based methods.
- Abstract（参考訳）: オブジェクトの削除は、画像から特定のオブジェクトを取り除くことを目的としている。
現在のトレーニングフリーな方法は、画像生成プロセス中に、周囲の背景情報を利用してイメージを復元する、自己注意層内のオブジェクト領域への注意を遮断するのが一般的である。
しかし, 空き地における自己意識の無差別抑制は, 生成品質を低下させる可能性がある。
この対立を解決するために,対象対象概念の存在を推定して注意を動的に調整する適応型フレームワークであるAdaEraserを提案する。
削除前および削除中における自己注意マップの進化分析を通じて,トークンに適応した注意抑制戦略を開発する。
このアプローチは、自己認識層における抑制強度を適応的に調整し、認知過程を通して物体の除去を進行的に知覚することを可能にする。
大規模な実験により、AdaEraserはオブジェクトの除去において優れたパフォーマンスを達成し、トレーニングベースの方法よりも優れていることが示されている。
関連論文リスト
- ObjectClear: Complete Object Removal via Object-Effect Attention [56.2893552300215]
我々は、オブジェクトとそれに関連する視覚的アーティファクトの両方の正確なマスクとともに、オブジェクト効果と不要なペア画像を提供するOBERという、オブジェクト・エフェクト除去のための新しいデータセットを紹介した。
本研究では,物体効果の注意機構を組み込んだ新しいフレームワーク ObjectClear を提案する。
実験では、ObjectClearが既存のメソッドよりも優れており、特に複雑なシナリオにおいて、オブジェクト・エフェクトの除去品質と背景の忠実さの改善を実現している。
論文 参考訳（メタデータ） (2025-05-28T17:51:17Z) - Attentive Eraser: Unleashing Diffusion Model's Object Removal Potential via Self-Attention Redirection Guidance [10.625932330968409]
Attentive Eraser は、安定かつ効果的な物体除去のために、事前訓練された拡散モデルを強化するチューニング不要な手法である。
本稿では、自己注意機構を再設計するASS(Attention Activation and Suppression)を紹介する。
また、ASSによる自己注意リダイレクトを利用して生成プロセスのガイドを行う自己注意リダイレクトガイダンス(SARG)についても紹介する。
論文 参考訳（メタデータ） (2024-12-17T14:56:59Z) - Learning Flow Fields in Attention for Controllable Person Image Generation [59.10843756343987]
制御可能な人物画像生成は、参照画像に条件付けされた人物画像を生成することを目的としている。
そこで本研究では,対象クエリに対して,適切な参照キーへの参照を明示的にガイドする学習フロー場(Leffa)を提案する。
Leffaは外観(仮想試行)とポーズ(目的移動)の制御における最先端のパフォーマンスを実現し、細かなディテール歪みを著しく低減する。
論文 参考訳（メタデータ） (2024-12-11T15:51:14Z) - TALE: Training-free Cross-domain Image Composition via Adaptive Latent Manipulation and Energy-guided Optimization [59.412236435627094]
TALEは、テキストから画像への拡散モデルの生成機能を利用する、トレーニング不要のフレームワークである。
TALEにはAdaptive Latent ManipulationとEnergy-Guided Latent Optimizationという2つのメカニズムが備わっている。
本実験は,TALEが従来のベースラインを超え,画像誘導合成における最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2024-08-07T08:52:21Z) - DiffUHaul: A Training-Free Method for Object Dragging in Images [78.93531472479202]
DiffUHaulと呼ばれるオブジェクトドラッグタスクのためのトレーニング不要な手法を提案する。
まず、各認知段階に注意マスキングを適用して、各生成を異なるオブジェクトにまたがってよりゆがみやすくする。
初期のデノナイジングステップでは、ソース画像とターゲット画像の注意特徴を補間して、新しいレイアウトを元の外観とスムーズに融合させる。
論文 参考訳（メタデータ） (2024-06-03T17:59:53Z)
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。