論文の概要: Bootstrap Your Generator: Unpaired Visual Editing with Flow Matching

• arxiv url: http://arxiv.org/abs/2606.03911v1
• Date: Tue, 02 Jun 2026 17:07:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:05.197654
• Title: Bootstrap Your Generator: Unpaired Visual Editing with Flow Matching
• Title（参考訳）: ジェネレータのブートストラップ:フローマッチングによる未使用のビジュアル編集
• Authors: Yoad Tewel, Yuval Atzmon, Gal Chechik, Lior Wolf,
• Abstract要約: 本稿では,フローマッチング編集モデルの非ペア化学習のためのフレームワークを提案する。 ByGは、凍結モデルから抽出した命令追従キューと、構造保存のためのサイクル整合性とをペアリングする。 我々は,データスカース画像と映像編集の課題に対する最先端の成果を実証する。
• 参考スコア（独自算出の注目度）: 79.46676932242569
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern generative models possess a deep understanding of visual content, yet training them for image editing typically requires massive datasets of paired examples. This limits scalability, especially for video editing where collecting paired data is prohibitively expensive. We propose Bootstrap Your Generator (ByG), a general framework for unpaired training of flow matching editing models. It leverages the base model's knowledge without any external signal. Our approach pairs instruction-following cues extracted from the frozen model with cycle-consistency for structure preservation. To make this tractable, we propose to route gradients from downstream losses over clean predictions to noisy training states. We demonstrate state-of-the-art results on challenging data-scarce image and video editing scenarios. Extensive evaluations and user studies show that our method effectively generalizes to unseen domains and outperforms supervised baselines trained on millions of samples. Analysis reveals that our gradient routing bridges the train-inference gap, and extracting semantic cues from a base model provides a robust training signal that obviates the need for external reward models.
• Abstract（参考訳）: 現代の生成モデルは、視覚的内容の深い理解を持っているが、画像編集のためにそれらを訓練するには、通常、ペア化されたサンプルの膨大なデータセットが必要である。 これによりスケーラビリティが制限され、特にペアデータ収集が違法にコストがかかるビデオ編集が制限される。 本稿では,フローマッチング編集モデルの非ペアトレーニングのための一般的なフレームワークであるBootstrap Your Generator (ByG)を提案する。 ベースモデルの知識を外部信号なしで活用する。 提案手法は,凍結モデルから抽出した命令追従キューと,構造保存のためのサイクル整合性を組み合わせたものである。 そこで本研究では, 清潔な予測からノイズの多い訓練状態へ, 下流の損失から勾配を導出する手法を提案する。 我々は,データスカース画像と映像編集の課題に対する最先端の成果を実証する。 広範囲な評価とユーザスタディにより,本手法は,数百万のサンプルで訓練された教師付きベースラインに対して効果的に一般化され,性能が向上することが示された。 解析の結果、勾配のルーティングが列車の干渉ギャップを橋渡しし、ベースモデルから意味的な手がかりを抽出することで、外部報酬モデルの必要性を回避できるロバストなトレーニング信号が得られることがわかった。

関連論文リスト

• Learning an Image Editing Model without Image Editing Pairs [83.03646586929638]
  最近の画像編集モデルは、自然言語編集の指示に従いながら印象的な成果を上げている。 それらは、インプットとターゲットのペアの大きなデータセットによる教師付き微調整に依存している。 現在の回避策は、既存のモデルのゼロショット機能を利用する合成トレーニングペアを使用する。 ペア化されたデータを完全に不要にする新たなトレーニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-10-16T17:59:57Z)
• Weak Reward Model Transforms Generative Models into Robust Causal Event Extraction Systems [17.10762463903638]
  我々は人的評価を近似するために評価モデルを訓練し、高い合意を得る。 そこで本研究では,アノテートデータの一部を用いて評価モデルを訓練する弱強監督手法を提案する。
  論文  参考訳（メタデータ） (2024-06-26T10:48:14Z)
• Consistent Diffusion Models: Mitigating Sampling Drift by Learning to be Consistent [97.64313409741614]
  本稿では, モデルが生成したデータ上での予測が時間とともに一定であることを示す, 両立性特性を強制することを提案する。 CIFAR-10の条件および非条件生成とAFHQとFFHQのベースライン改良について,本研究の新たな訓練目標が得られた。
  論文  参考訳（メタデータ） (2023-02-17T18:45:04Z)
• How Well Do Sparse Imagenet Models Transfer? [75.98123173154605]
  転送学習は、大規模な"上流"データセットで事前訓練されたモデルが、"下流"データセットで良い結果を得るために適応される古典的なパラダイムである。 本研究では、ImageNetデータセットでトレーニングされた畳み込みニューラルネットワーク(CNN)のコンテキストにおいて、この現象を詳細に調査する。 スパースモデルでは, 高空間であっても, 高密度モデルの転送性能にマッチしたり, 性能に優れることを示す。
  論文  参考訳（メタデータ） (2021-11-26T11:58:51Z)
• Self-supervised Audiovisual Representation Learning for Remote Sensing Data [96.23611272637943]
  遠隔センシングにおける深層ニューラルネットワークの事前学習のための自己教師型アプローチを提案する。 ジオタグ付きオーディオ記録とリモートセンシングの対応を利用して、これは完全にラベルなしの方法で行われる。 提案手法は,既存のリモートセンシング画像の事前学習方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-08-02T07:50:50Z)
• Self-Supervised Contrastive Learning for Unsupervised Phoneme Segmentation [37.054709598792165]
  このモデルは畳み込みニューラルネットワークであり、生波形上で直接動作する。 ノイズコントラスト推定原理を用いて信号のスペクトル変化を同定する。 テスト時には、モデル出力にピーク検出アルゴリズムを適用して最終境界を生成する。
  論文  参考訳（メタデータ） (2020-07-27T12:10:21Z)

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。