論文の概要: Root-Selecting Fixed-Point Inversion for Rectified Flows via Trajectory Straightness

• arxiv url: http://arxiv.org/abs/2606.17584v1
• Date: Tue, 16 Jun 2026 06:46:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.313169
• Title: Root-Selecting Fixed-Point Inversion for Rectified Flows via Trajectory Straightness
• Title（参考訳）: 軌道傾斜による整流流れに対するルート選択固定点インバージョン
• Abstract要約: 既存の固定点反転法は、各反転ステップを固定点問題として定式化することにより、反転精度を向上させる。 本稿では,より直線的な逆軌道を誘導する固定点解を選択する固定点逆変換法であるSelFixを提案する。 FLUX.1-devとPIE-Benchの実験では、SelFixは固定点インバージョンを改善し、より強力な実像再構成を実現し、ソース保存のプロンプトベースの編集を改善する。
• 参考スコア（独自算出の注目度）: 19.899979970076163
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Finding the initial noise that generates a given data sample, known as inversion, is a key component for downstream applications such as training-free image editing. Existing fixed-point inversion methods improve inversion accuracy by formulating each inversion step as a fixed-point problem, but they lack a principled mechanism for selecting among multiple fixed-point solutions that can arise in practice. We observe that different selections induce different inversion trajectories, leading to substantial variation in reconstruction and editing quality. For rectified flows, we further find that this variation is closely associated with trajectory straightness, motivating straightness as a principled selection criterion. We propose SelFix, a fixed-point inversion method that selects fixed-point solutions inducing straighter inverse trajectories while retaining convergence to an exact inverse root under standard local assumptions. Experiments on FLUX.1-dev and PIE-Bench show that SelFix improves fixed-point inversion, achieving stronger real-image reconstruction and better source-preserving prompt-based editing than prior inversion baselines. The code is available at https://github.com/seminkim/selfix.
• Abstract（参考訳）: インバージョンとして知られるデータサンプルを生成する初期ノイズを見つけることは、トレーニング不要の画像編集のような下流アプリケーションにとって重要なコンポーネントである。 既存の固定点反転法は、各反転ステップを固定点問題として定式化することで、反転精度を向上させるが、実際には起こりうる複数の固定点解の中から選択する原理的なメカニズムは欠如している。 我々は、異なる選択が異なる反転軌道を誘導し、再構成や編集品質にかなりの変化をもたらすことを観察した。 整流流の場合、この変動は軌道の直線性と密接に関連しており、基本選択基準として直線性を動機付けている。 固定点インバージョン法であるSelFixを提案する。これは、標準的な局所的な仮定の下で、正確な逆ルートへの収束を維持しつつ、より直線的な逆軌道を誘導する固定点解を選択する。 FLUX.1-devとPIE-Benchの実験では、SelFixは固定点インバージョンを改善し、より強力な実像再構成を実現し、ソース保存プロンプトベースの編集を以前のインバージョンベースラインよりも改善している。 コードはhttps://github.com/seminkim/selfix.comで公開されている。

関連論文リスト

• Timestep Rescheduling in Diffusion Inversion [79.30105376216544]
  ノイズスケジューラにおける拡散時間ステップの選択が逆忠実度にどのように影響するかを示す。 本稿では,グローバルな再スケーリングとローカルな動的プログラミングに基づく再スケジューリングを統合した,シンプルで効果的な非一様タイムスケジューラを提案する。 本手法は,既存のインバージョン手法の既製の拡張として機能し,余分なパラメータや計算オーバーヘッドを必要としない。
  論文  参考訳（メタデータ） (2026-06-13T16:32:01Z)
• 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)
• Conformal changepoint localization [36.191356601153146]
  配電系統におけるオフライン変更点の局所化問題について検討する。 我々は、他の仮定をせずに変化が起こる指数に対して有限サンプルの信頼セットを生成する。 実験によると、CONCHは画像やテキストを含む困難な設定であっても、正確な信頼セットを提供する。
  論文  参考訳（メタデータ） (2026-02-05T23:50:53Z)
• An Iteration-Free Fixed-Point Estimator for Diffusion Inversion [26.669535386141778]
  拡散インバージョンのためのイテレーションフリーな不動点推定器を提案する。 本研究では,2つのテキスト画像データセットであるNOCAPSとMS-COCOの再構成性能を評価する。
  論文  参考訳（メタデータ） (2025-12-09T12:44:51Z)
• POLARIS: Projection-Orthogonal Least Squares for Robust and Adaptive Inversion in Diffusion Models [9.779983925649857]
  Inversion-Denoising Paradigmは拡散モデルに基づく多彩な画像編集と復元作業に優れる。 我々は、その機構を再検討し、復元劣化の重大な要因である、近似ノイズ誤差を明らかにする。 本稿では, 誤差補償問題から誤り補償問題への逆変換を再構成する, ロバスト・アダプティブ・インバージョンのための射影直交最小広場(POLARIS)について紹介する。
  論文  参考訳（メタデータ） (2025-11-29T07:35:20Z)
• Towards Initialization-free Calibrated Bundle Adjustment [8.698137120086065]
  本稿では、既知のカメラキャリブレーションを利用して、近距離距離の解を生成できる手法を提案する。 本手法は,pOSEフレームワークに回転平均化を組み込むことが可能である。
  論文  参考訳（メタデータ） (2025-06-30T12:55:44Z)
• FlowAlign: Trajectory-Regularized, Inversion-Free Flow-based Image Editing [47.908940130654535]
  FlowAlignは、最適な制御ベースの軌道制御による一貫した画像編集のためのインバージョンフリーなフローベースフレームワークである。 我々の終点正規化は、編集プロンプトとのセマンティックアライメントのバランスと、軌道に沿ったソース画像との構造的整合性を示す。 FlowAlignは、ソース保存と編集の制御性の両方において、既存のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2025-05-29T06:33:16Z)
• SPARE: Symmetrized Point-to-Plane Distance for Robust Non-Rigid 3D Registration [77.13381026159111]
  本研究では,SPAREを提案する。SPAREは,非剛性登録のための対称化点-平面間距離を用いた新しい定式化である。 提案手法は, 厳密でない登録問題の精度を大幅に向上し, 比較的高い解効率を維持する。
  論文  参考訳（メタデータ） (2024-05-30T15:55:04Z)
• Revisiting Rotation Averaging: Uncertainties and Robust Losses [51.64986160468128]
  現在の手法の主な問題は、推定エピポーラを通して入力データと弱い結合しか持たない最小コスト関数である。 本稿では,点対応から回転平均化への不確実性を直接伝播させることにより,基礎となる雑音分布をモデル化することを提案する。
  論文  参考訳（メタデータ） (2023-03-09T11:51:20Z)
• Improving the Sample-Complexity of Deep Classification Networks with Invariant Integration [77.99182201815763]
  変換によるクラス内分散に関する事前知識を活用することは、ディープニューラルネットワークのサンプル複雑性を改善するための強力な方法である。 そこで本研究では,アプリケーションの複雑な問題に対処するために,プルーニング法に基づく新しい単項選択アルゴリズムを提案する。 本稿では,Rotated-MNIST,SVHN,CIFAR-10データセットにおけるサンプルの複雑さの改善について述べる。
  論文  参考訳（メタデータ） (2022-02-08T16:16:11Z)

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。