論文の概要: Moebius: 0.2B Lightweight Image Inpainting Framework with 10B-Level Performance
- arxiv url: http://arxiv.org/abs/2606.19195v1
- Date: Wed, 17 Jun 2026 15:35:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-18 17:16:51.244956
- Title: Moebius: 0.2B Lightweight Image Inpainting Framework with 10B-Level Performance
- Title（参考訳）: Moebius: 10Bレベルパフォーマンスを備えた0.2Bの軽量イメージインペインティングフレームワーク
- Authors: Kangsheng Duan, Ziyang Xu, Wenyu Liu, Xiaohu Ruan, Xiaoxin Chen, Xinggang Wang,
- Abstract要約: Moebiusは、非常に効率的な軽量なインペイントフレームワークである。
我々は、モエビウスが10Bレベルの工業一般主義者FLUX.1-Fill-Devの世代品質に匹敵するか、超えることを示した。
- 参考スコア（独自算出の注目度）: 40.51406429910117
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: While 10B-level industrial foundation models have pushed the boundaries of image inpainting, their prohibitive computational costs severely hinder practical deployment. Constructing a highly optimized task-specific specialist offers a promising solution; however, extreme structural compression inevitably triggers a severe representation bottleneck. To conquer this, we propose Moebius, a highly efficient lightweight inpainting framework. We systematically reconstruct the diffusion backbone by introducing the Local-$λ$ Mix Interaction ($LλMI$) block. Comprising Local-$λ$ and Interactive-$λ$ modules, it elegantly summarizes spatial contexts and global semantic priors into fixed-size linear matrices, preserving complex latent interactions while drastically shedding parameters. Furthermore, to unlock the full representational capacity of this highly compact architecture, we synergistically pair it with an adaptive multi-granularity distillation strategy. Operating strictly within the latent space to avoid expensive pixel-space decoding, this strategy dynamically balances multiple gradient-based losses to achieve high-fidelity alignment. Extensive experiments across natural and portrait benchmarks demonstrate that this optimal synergy enables Moebius to rival or even surpass the generation quality of the 10B-level industrial generalist FLUX.1-Fill-Dev. Remarkably, Moebius achieves this using less than 2\% of the parameters (0.22B vs. 11.9B) while delivering a $>15\times$ acceleration in total inference time, setting a new efficiency standard for high-fidelity inpainting. Project page at https://hustvl.github.io/Moebius.
- Abstract（参考訳）: 10Bレベルの産業基盤モデルは、画像の塗装の境界を押し上げてきたが、その禁止的な計算コストは、実用的な展開を著しく妨げている。
高度に最適化されたタスク固有のスペシャリストを構築することは、有望なソリューションを提供する。
これを克服するために,高効率で軽量な塗装フレームワークであるMoebiusを提案する。
ローカル-$λ$ Mix Interaction(LλMI$)ブロックを導入することで,拡散バックボーンを体系的に再構築する。
Local-$λ$ と Interactive-$λ$ の加群を構成することで、空間コンテキストと大域的セマンティック先行を固定サイズの線形行列にエレガントに要約し、複雑な潜在相互作用を保ちながらパラメータを劇的に隠蔽する。
さらに、この高コンパクトなアーキテクチャの完全な表現能力を解き放つために、適応的な多粒度蒸留戦略と相乗的に組み合わせる。
この戦略は、高価なピクセル空間デコーディングを避けるために、遅延空間内で厳密に動作し、複数の勾配に基づく損失を動的にバランスさせ、高忠実性アライメントを実現する。
自然と肖像画のベンチマークによる大規模な実験により、この最適相乗効果により、モエビウスは10Bレベルの工業将軍FLUX.1-Fill-Devの世代品質に匹敵したり、超えたりできることを示した。
注目すべきことに、Moebius はパラメータの 2\% (0.22B vs. 11.9B) 未満でこれを達成し、全推論時間で$>15\times$Acceleration を提供し、高忠実度インペイントのための新しい効率標準を設定した。
Project page at https://hustvl.github.io/Moebius.com
関連論文リスト
- Dimensionality Reduction for Robust Federated Learning: A Theoretical Analysis and Convergence Guarantee [14.954293251332894]
Federated Learning (FL)は、クライアントが生データを共有せずにモデルを協調的にトレーニングすることを可能にするが、ビザンティン攻撃に対して非常に脆弱である。
既存の堅牢なアプローチはこれらの脅威を中和するが、かなりの計算オーバーヘッドを発生させる。
ベクトルレベル距離に基づくロバストアグリゲータのための普遍加速度フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-27T11:39:47Z) - SP-MoMamba: Superpixel-driven Mixture of State Space Experts for Efficient Image Super-Resolution [99.56535031145211]
状態空間モデル(SSM)は、効率的な単一画像超解像(SR)のための強力なパラダイムとして登場した。
我々は、コンテント対応SRのための状態空間の専門家による超ピクセル駆動の混合である textbfSP-MoMamba を提案する。
私たちの中核となる考え方は、従来の剛性スキャンを、スーパーピクセルを基本単位として扱うことによって、テキストのセマンティックなレベルのインタラクションに変換することです。
論文 参考訳（メタデータ） (2026-05-25T14:19:59Z) - Evolving Layer-Specific Scalar Functions for Hardware-Aware Transformer Adaptation [0.5266471639657487]
ビジョントランスフォーマー(ViT)は、挑戦的なビジョンタスクにおいて最先端のパフォーマンスを達成するが、エッジデバイスへのデプロイメントは妨げられている。
最近の手法では、正規化層をハードウェアフレンドリーなスカラー近似に置き換えることでこれを回避しようとしている。
本稿では、遺伝的プログラミング(GP)を利用して、異種層特異的スカラー関数を進化させる高効率なフレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-13T19:08:55Z) - Vector Scaffolding: Inter-Scale Orchestration for Differentiable Image Vectorization [48.98909774916165]
本稿では,フラットなピクセルマッチングからベクトルグラフィックスに適した構造化トポロジ構築へ移行する,新しい階層的最適化フレームワークを提案する。
実験により,PSNRを従来の技術に比べて最大1.4dB向上させながら,2.5times$で最適化を高速化することを示した。
論文 参考訳（メタデータ） (2026-05-12T10:27:30Z) - Safety-Critical Contextual Control via Online Riemannian Optimization with World Models [7.720387326648637]
そこでは,ブラックボックスシミュレータによる実行可能性サンプルのみを用いて,プランナがタスク目標を最適化する必要がある。
我々は,オンラインリーマン最適化に基づくPinalized Predictive Controlフレームワークを開発した。
我々の主な結果は、真実現可能多様体からの距離がスコア推定誤差と$(_t)$に依存する比率によって制御されていることを示す文脈的安全性境界であり、どちらもよりリッチな文脈で改善されている。
論文 参考訳（メタデータ） (2026-04-21T16:28:36Z) - $D^3$-RSMDE: 40$\times$ Faster and High-Fidelity Remote Sensing Monocular Depth Estimation [72.9912717963138]
リモートセンシング画像からのリアルタイムで高忠実な単眼深度推定は、多くのアプリケーションにとって不可欠である。
視覚変換器(ViT)のバックボーンを高密度な予測に使用するのは速いが、知覚品質は低いことが多い。
リモートセンシング単眼深度推定のための深度詳細拡散法(D3$-RSMDE)を提案する。
D3$-RSMDEは、Learninged Perceptual Image Patch similarity (LPIPS)の知覚距離を11.85%削減する。
論文 参考訳（メタデータ） (2026-03-17T10:50:36Z) - Latent Transfer Attack: Adversarial Examples via Generative Latent Spaces [36.919974069544146]
アドリアック(Adrial attack)は、現代の視覚モデルの堅牢性を探るための中心的なツールである。
ほとんどのメソッドは、$ell_infty$または$ell$制約の下でピクセル空間の摂動を直接最適化する。
我々は、事前訓練された安定拡散VAEの潜伏空間における摂動を最適化する転送ベースの攻撃である$textbfLTA$$textbfL$atent $textbfT$ransfer $textbfA$ttackを提案する。
論文 参考訳（メタデータ） (2026-03-06T14:14:28Z) - Scalable Lipschitz Residual Networks with Convex Potential Flows [120.27516256281359]
残差ネットワーク勾配流における凸ポテンシャルを用いることで,1ドルのLipschitz変換が組み込まれていることを示す。
CIFAR-10の包括的な実験は、アーキテクチャのスケーラビリティと、証明可能な防御に$ell$のアプローチの利点を実証している。
論文 参考訳（メタデータ） (2021-10-25T07:12:53Z) - Spatial-Separated Curve Rendering Network for Efficient and
High-Resolution Image Harmonization [59.19214040221055]
本稿では,空間分離型曲線描画ネットワーク(S$2$CRNet)を提案する。
提案手法は従来の手法と比較して90%以上のパラメータを減少させる。
提案手法は,既存の手法よりも10ドル以上高速な高解像度画像をリアルタイムにスムーズに処理することができる。
論文 参考訳（メタデータ） (2021-09-13T07:20:16Z)
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。