論文の概要: MirrorPPR: Exemplar-Based Portrait Photo Retouching

• arxiv url: http://arxiv.org/abs/2606.29308v1
• Date: Sun, 28 Jun 2026 10:07:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.873231
• Title: MirrorPPR: Exemplar-Based Portrait Photo Retouching
• Title（参考訳）: MirrorPPR:見事なポートレート写真リタッチ
• Abstract要約: 文章の記述は、顔の特徴や身体の割合の微妙な変化を伝えるのに苦労する。 そこで,モデルに模範ペアを付与し,同じリタッチ操作を新しいクエリイメージに推論および適用する。 MirrorPPRは微妙な構造変更操作をキャプチャして転送するように設計された新しいフレームワークである。
• 参考スコア（独自算出の注目度）: 21.754161332291236
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: While text-guided image editing has made remarkable progress, it remains limited in structural portrait retouching. Textual descriptions struggle to convey fine-grained changes to facial features and body proportions. To address this gap, we introduce Exemplar-Based Portrait Photo Retouching, where the model is given an exemplar pair and tasked with inferring and applying the same retouching operations to a new query image. Existing exemplar-based editing methods primarily focus on tasks with pronounced visual transformations. In contrast, structural portrait retouching involves extremely delicate and localized modifications, making accurate extraction and transfer of these edits challenging. To tackle this, we propose MirrorPPR, a novel framework designed to capture and transfer subtle structural retouching operations. Our method uses a Retouching Operation Extractor to capture the subtle differences from the exemplar pair. The extracted representations are then injected into a pre-trained Diffusion Transformer (DiT) through a connector and Low-Rank Adaptation (LoRA) modules. Furthermore, constructing perfectly aligned cross-identity training pairs is severely hindered by operation misalignment. To overcome this, we propose an advanced data self-augmentation paradigm that ensures strictly aligned retouching operations. To alleviate data scarcity and support this novel task, we introduce MirrorPPR47M, a large-scale dataset with over 47 million retouched pairs. By structuring the dataset into simulated and professional subsets, we enable progressive curriculum learning to smoothly optimize the network. Extensive experiments demonstrate that MirrorPPR significantly outperforms existing baselines in both retouching quality and identity preservation. The project page is available at https://sjtu-deng-lab.github.io/MirrorPPR.
• Abstract（参考訳）: テキストガイドによる画像編集は目覚ましい進歩を遂げているが、それでも構造的な肖像画のリタッチには限界がある。 文章の記述は、顔の特徴や身体の割合の微妙な変化を伝えるのに苦労する。 このギャップに対処するために、私たちはExemplar-based Portrait Photo Retouchingを導入し、モデルに模範ペアを付与し、新しいクエリイメージに対して同じリタッチ操作を推論および適用する。 既存の例ベースの編集方法は、視覚的変換が顕著なタスクに重点を置いている。 対照的に、構造的な肖像画のリタッチには極めて繊細で局所的な修正が含まれており、これらの編集の正確な抽出と転送が困難である。 そこで本稿では,微妙な構造変更操作を捕捉・転送する新しいフレームワークであるMirrorPPRを提案する。 提案手法では, エクストラクタの更新操作を用いて, 模範対との微妙な差異を捉える。 抽出された表現は、コネクタとローランド適応(LoRA)モジュールを介して、事前訓練された拡散変換器(DiT)に注入される。 さらに、完全に整列したクロスアイデンティティトレーニングペアの構築は、操作ミスアライメントによって著しく妨げられる。 これを解決するために,厳密な整合操作を保証する高度データ自己拡張パラダイムを提案する。 データ不足を緩和し、この新しいタスクをサポートするために、4700万組以上のリタッチされたペアを持つ大規模データセットであるMirrorPPR47Mを紹介します。 データセットをシミュレートおよびプロのサブセットに構造化することにより、プログレッシブカリキュラムの学習を円滑にネットワークを最適化することができる。 大規模な実験により、MirrorPPRは、リタッチ品質とアイデンティティ保存の両方において、既存のベースラインを著しく上回っていることが示されている。 プロジェクトのページはhttps://sjtu-deng-lab.github.io/MirrorPPRで公開されている。

関連論文リスト

• CopyCat: Improving Fine-Grained Subject Consistency in Subject-to-Image Models within Seconds [52.84219088497834]
  CopyCatは軽量なモデルリファインメントフレームワークで、わずか数秒で詳細な被写体一貫性を改善する。 DreamBench と XVerseBench の実験では、対象物から対象物までの対象物間の微粒化一貫性が一貫した改善を示した。
  論文  参考訳（メタデータ） (2026-08-01T13:49:03Z)
• VeraRetouch: A Lightweight Fully Differentiable Framework for Multi-Task Reasoning Photo Retouching [27.18046653314556]
  VeraRetouchは、マルチタスクの写真リタッチのための軽量で完全に差別化可能なフレームワークである。 我々は、0.5Bビジョンランゲージモデル(VLM)を中央インテリジェンスとして使用して、修正計画の定式化を行っている。 外部ツールを置き換える、完全に差別化可能なRetouch Rendererを開発しています。
  論文  参考訳（メタデータ） (2026-04-30T03:39:32Z)
• Making Image Editing Easier via Adaptive Task Reformulation with Agentic Executions [27.891822809255682]
  本稿では,基本モデルを変更することなく,編集性能を向上させる適応型タスク修正フレームワークを提案する。 私たちのキーとなるアイデアは、元のイメージインストラクションペアをMLLMエージェントによって動的に決定され実行される一連の操作に変換することです。
  論文  参考訳（メタデータ） (2026-04-17T10:17:22Z)
• Edit2Restore:Few-Shot Image Restoration via Parameter-Efficient Adaptation of Pre-trained Editing Models [4.573600918393017]
  テキスト条件付き画像編集モデルでは,複数の復元作業に効率よく適応できることを示す。 FLUX.1 Kontextは画像から画像への変換のための12Bパラメータフローマッチングモデルである。
  論文  参考訳（メタデータ） (2026-01-06T19:56:16Z)
• 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)
• Feature Alignment with Equivariant Convolutions for Burst Image Super-Resolution [52.55429225242423]
  本稿では,同変畳み込みに基づくアライメントを特徴とするBurst Image Super-Resolution (BISR) のための新しいフレームワークを提案する。 これにより、アライメント変換は画像領域の明示的な監督を通じて学習でき、特徴領域に容易に適用できる。 BISRベンチマークの実験は、定量的メトリクスと視覚的品質の両方において、我々のアプローチの優れた性能を示している。
  論文  参考訳（メタデータ） (2025-03-11T11:13:10Z)
• INRetouch: Context Aware Implicit Neural Representation for Photography Retouching [54.17599183365242]
  本稿では、プロの編集から前後のイメージペアを通して学習する新しいリタッチ転送手法を提案する。 我々は,画像の内容とコンテキストに基づいて,適応的に編集を適用することを学習する文脈認識型インプシットニューラル表現を開発した。 提案手法は,参照編集から暗黙的な変換を抽出し,それらを新しい画像に適用する。
  論文  参考訳（メタデータ） (2024-12-05T03:31:48Z)
• iEdit: Localised Text-guided Image Editing with Weak Supervision [53.082196061014734]
  テキスト誘導画像編集のための新しい学習法を提案する。 ソースイメージに条件付けされた画像とテキスト編集プロンプトを生成する。 画像の忠実度、CLIPアライメントスコア、および生成された画像と実際の画像の両方を定性的に編集する点において、画像に対して好ましい結果を示す。
  論文  参考訳（メタデータ） (2023-05-10T07:39:14Z)
• SSCR: Iterative Language-Based Image Editing via Self-Supervised Counterfactual Reasoning [69.93418696660785]
  反復言語ベースの画像編集(IL-BIE)タスクは、段階的に画像を編集するための反復的な命令に従う。 データ不足は、命令ベースの変更前後の大規模な画像のサンプル収集が困難であるため、ILBIEにとって重要な問題である。 本稿では,データ不足を克服する対実的思考を取り入れたセルフスーパービジョンの対実的推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-21T01:45:58Z)

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。