論文の概要: DuET: Dual Expert Trajectories for Diffusion Image Editing

• arxiv url: http://arxiv.org/abs/2606.13303v1
• Date: Thu, 11 Jun 2026 12:58:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.801456
• Title: DuET: Dual Expert Trajectories for Diffusion Image Editing
• Title（参考訳）: DuET:拡散画像編集のためのデュアルエキスパート軌道
• Authors: Lidia Troeshestova, Alexander Ustyuzhanin, Sergey Kastryulin,
• Abstract要約: 我々は、ソースイメージの条件付けを一時的に緩和する訓練不要推論手法であるDuETを紹介する。 DuETは命令の関連性、セマンティックな忠実さ、そして様々なモデルやベンチマークにおける知覚品質を継続的に改善する。
• 参考スコア（独自算出の注目度）: 42.49842620609682
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent diffusion editors perform diverse instruction-based edits while conditioning on the source image at every denoising step. Yet persistent source-image conditioning can limit how fully an edit is executed and how natural the result appears, especially when the target scene diverges substantially from the input. We introduce DuET (Dual Expert Trajectories), a training-free inference method that temporarily relaxes source-image conditioning by transitioning through a text-to-image phase before returning to edit mode, allowing the denoising trajectory to move toward the target distribution while retaining the structural benefits of image-conditioned editing. Without modifying model weights or increasing sampling cost, DuET consistently improves instruction relevance, semantic fidelity, and perceptual quality across diverse models and benchmarks. In some cases, these gains come with a modest reduction in source-image preservation, revealing a predictable trade-off between source preservation and edit fidelity.
• Abstract（参考訳）: 近年の拡散編集は,各段階の音源画像に条件付けしながら,多様な命令ベースの編集を行う。 しかし、永続的なソースイメージ条件付けは、編集がどれだけ完全に実行されるか、結果がどれだけ自然であるかを制限することができる。 我々はDuET(Dual Expert Trajectories)を導入し、編集モードに戻る前にテキストから画像へ移行することで、一時的にソース・イメージ・コンディショニングを緩和する訓練不要な推論手法を提案する。 モデルの重みを変更したりサンプリングコストを増大させることなく、DuETはさまざまなモデルやベンチマークで命令の妥当性、意味的忠実さ、知覚品質を継続的に改善する。 場合によっては、ソースイメージの保存を控えめに減らし、ソースの保存と編集の忠実性の間には、予測可能なトレードオフが生じる。

関連論文リスト

• EditTransfer++: Toward Faithful and Efficient Visual-Prompt-Guided Image Editing [43.64132452334661]
  本稿では,構造化トレーニングと効率的な条件付けを組み合わせたフレームワークであるEditTransfer++について述べる。 EditTransfer++は,従来の手法よりもはるかに高速な推論で,最先端の視覚的即興忠実性を実現する。
  論文  参考訳（メタデータ） (2026-05-08T09:01:20Z)
• DirectEdit: Step-Level Accurate Inversion for Flow-Based Image Editing [51.56484100374058]
  我々は、事前訓練されたテキスト・ツー・イメージ(T2I)モデルのトレーニング不要な編集方法であるDirectEditを提案する。 DirectEditは、追加の神経機能評価(NFE)を導入することなく、固有の再構成エラーを除去する 実験により、DirectEditは効率よく正確な画像編集を実現し、最先端の手法よりも優れたパフォーマンスを提供することが示された。
  論文  参考訳（メタデータ） (2026-05-04T10:09:18Z)
• EditInfinity: Image Editing with Binary-Quantized Generative Models [64.05135380710749]
  画像編集のためのバイナリ量子化生成モデルのパラメータ効率適応について検討する。 具体的には、画像編集のためのバイナリ量子化生成モデルであるEmphInfinityを適応させるEditInfinityを提案する。 テキストの修正と画像スタイルの保存を促進させる,効率的かつ効果的な画像反転機構を提案する。
  論文  参考訳（メタデータ） (2025-10-23T05:06:24Z)
• Training-Free Text-Guided Image Editing with Visual Autoregressive Model [46.201510044410995]
  本稿では,Visual AutoRegressive モデリングに基づく新しいテキスト誘導画像編集フレームワークを提案する。 本手法は, 正確かつ制御された修正を確実にしながら, 明示的な逆変換の必要性を解消する。 我々のフレームワークは、トレーニング不要な方法で動作し、高速な推論速度で高忠実度編集を実現する。
  論文  参考訳（メタデータ） (2025-03-31T09:46:56Z)
• Edicho: Consistent Image Editing in the Wild [90.42395533938915]
  エディコは拡散モデルに基づく訓練なしの解を踏む。 これは、明示的な画像対応を使って直接編集する基本的な設計原理を特徴としている。
  論文  参考訳（メタデータ） (2024-12-30T16:56:44Z)
• Eliminating Contextual Prior Bias for Semantic Image Editing via Dual-Cycle Diffusion [35.95513392917737]
  Dual-Cycle Diffusionと呼ばれる新しいアプローチは、画像編集をガイドするアンバイアスマスクを生成する。 提案手法の有効性を実証し,D-CLIPスコアを0.272から0.283に改善した。
  論文  参考訳（メタデータ） (2023-02-05T14:30:22Z)

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。