論文の概要: Editing Everything Everywhere All at Once

• arxiv url: http://arxiv.org/abs/2606.31278v1
• Date: Tue, 30 Jun 2026 07:52:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.130362
• Title: Editing Everything Everywhere All at Once
• Title（参考訳）: あらゆるものを一度に編集する
• Abstract要約: MICE(Multi-Instance Concurrent Editing)は、マルチモーダル拡散変換器を用いたスケーラブルなマルチインスタンス画像編集のためのトレーニングフリー戦略である。 MICEは、インスタンス内の注意を許容し、近隣のトークン間の相互作用をペナライズし、無関係なクロスインスタンスの注意を抑える。 実験により、我々のアプローチは、視覚的品質の保存と編集指示への忠実性の点で、強力なベースラインや近年の競合よりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 47.32746672482526
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Editing multiple elements of an image in a single forward pass is a practical alternative to multi-turn image manipulation, offering improved efficiency and potentially better harmonization. However, when several instructions target different regions, semantic interference often leads to attribute leakage and poor edit disentanglement, especially as the number of edits increases. In this work, we propose MICE (Multi-Instance Concurrent Editing), a training-free strategy for scalable multi-instance image editing with Multimodal Diffusion Transformers. MICE modifies the additive bias of joint attention to regulate interactions between instance-specific edit instructions, latent, and context tokens identified via user-provided segmentation masks. Specifically, MICE allows intra-instance attention, penalizes interactions between neighboring region tokens, and suppresses unrelated cross-instance attention. As a result, our method enforces attribute binding while preserving global visual consistency. We evaluate MICE on LoMOE-Bench and introduce MICE-Bench, a more challenging benchmark with an average of 8.5 concurrent edits per image. The experiments demonstrate that our approach outperforms strong baselines and recent competitors in terms of visual quality preservation and faithfulness to the editing instructions.
• Abstract（参考訳）: イメージの複数の要素を単一のフォワードパスで編集することは、マルチターン画像操作の代替として実用的であり、効率が向上し、調和性が向上する可能性がある。 しかし、いくつかの命令が異なる領域をターゲットとすると、セマンティックな干渉はしばしば属性の漏洩と編集の混乱につながる。 本研究では,MICE(Multi-Instance Concurrent Editing)を提案する。 MICEは、ユーザが提供するセグメンテーションマスクによって識別されるインスタンス固有の編集命令、潜時、コンテキストトークン間の相互作用を制御するために、共同注意の付加バイアスを変更する。 具体的には、MICEはインスタンス内の注意を許容し、近隣のトークン間の相互作用をペナライズし、無関係なクロスインスタンスの注意を抑える。 その結果,グローバルな視覚的一貫性を保ちながら属性のバインディングを強制する。 我々は、LoMOE-Bench上でMICEを評価し、画像毎の平均8.5の同時編集を伴うより難しいベンチマークであるMICE-Benchを紹介する。 提案手法は,視覚的品質の維持と編集指示への忠実性の観点から,強いベースラインや近年の競合よりも優れていることを示す。

関連論文リスト

• MIRAGE: Benchmarking and Aligning Multi-Instance Image Editing [9.297700134159916]
  我々は,複数の同一事例や複合命令に直面する場合,最先端のモデルでは過編集や空間的不整合に悩まされていることを観察する。 MIRAGE(Multi-Instance Regional Alignment via Guided Editing)は,高度かつ局所的な編集を可能にするトレーニング不要のフレームワークである。 我々のフレームワークは、背景の一貫性を保ちながら、正確なインスタンスレベルの修正を実現する上で、既存の手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2026-04-06T21:20:00Z)
• CARE-Edit: Condition-Aware Routing of Experts for Contextual Image Editing [17.372230178356357]
  本稿では,モデル計算を特定の編集能力と整合させる条件認識専門家(CARE-Edit)を提案する。 中心となるのは、4人の専門専門家に符号化された拡散トークンを割り当てる軽量の潜伏型ルータである。 実験は、文脈編集タスクにおけるCARE-Editの強いパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2026-03-09T16:40:47Z)
• Towards Generalized Multi-Image Editing for Unified Multimodal Models [56.620038824933566]
  統一マルチモーダルモデル(UMM)は、マルチモーダル理解と生成を統合する。 UMMは、複数の入力画像にまたがる詳細を参照する場合、視覚的一貫性の維持と視覚的手がかりの曖昧さに制限される。 画像の同一性を明確に識別し、可変入力数に一般化するUMMのためのスケーラブルなマルチイメージ編集フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-09T06:42:49Z)
• EditMGT: Unleashing Potentials of Masked Generative Transformers in Image Editing [84.7089707244905]
  Masked Generative Transformers (MGT) は、編集プロセス中に非関連領域を保存するために固有の能力を持つローカライズされたデコードパラダイムを示す。 本稿では,MGT ベースの画像編集フレームワーク EditMGT を紹介する。 EditMGTのクロスアテンションマップは、編集関連領域をローカライズするための情報的ローカライズ信号を提供する。 また、低アテンション領域におけるトークンのフリップを制限する領域ホールドサンプリングを導入し、急激な編集を抑える。
  論文  参考訳（メタデータ） (2025-12-12T16:51:19Z)
• MIRA: Multimodal Iterative Reasoning Agent for Image Editing [48.41212094929379]
  本稿では,MIRA(Multimodal Iterative Reasoning Agent)を提案する。 単一のプロンプトや静的プランを発行する代わりに、MIRAは、視覚的なフィードバックを使用して、その決定を行うために、段階的にアトミックな編集命令を予測する。 われわれの150Kマルチモーダルツール使用データセットであるMIRA-Editingと2段階のSFT + GRPOトレーニングパイプラインを組み合わせることで、MIRAは複雑な編集命令に対して推論と編集を行うことができる。
  論文  参考訳（メタデータ） (2025-11-26T06:13:32Z)
• Image Editing As Programs with Diffusion Models [69.05164729625052]
  本稿では,Diffusion Transformer (DiT) アーキテクチャ上に構築された統合画像編集フレームワークである IEAP (Image Editing As Programs) を紹介する。 IEAPは、複雑な編集命令を原子操作のシーケンスに分解して、リダミストレンズによる命令編集にアプローチする。 我々のフレームワークは、特に複雑なマルチステップ命令に対して、より優れた精度とセマンティック忠実度を提供する。
  論文  参考訳（メタデータ） (2025-06-04T16:57:24Z)
• What Changed? Detecting and Evaluating Instruction-Guided Image Edits with Multimodal Large Language Models [88.398085358514]
  DICEは、原画像と編集画像の局所的な差異を検出するために設計されたモデルである。 自己監督、塗布ネットワークからの蒸留、全監督を利用する戦略を用いて訓練されている。 DICEは一貫性のある編集を効果的に識別し、異なる編集モデルによって生成された画像を人間の判断と強く相関して効果的に評価する。
  論文  参考訳（メタデータ） (2025-05-26T18:00:10Z)
• Disentangling Instruction Influence in Diffusion Transformers for Parallel Multi-Instruction-Guided Image Editing [26.02149948089938]
  Instruction Influence Disentanglement (IID) は,複数命令の並列実行を可能にする新しいフレームワークである。 我々は、DiTにおける自己注意機構を分析し、各命令の影響を解消するために、命令固有の注意マスクを導出する。 IIDは、既存のベースラインと比較して、忠実度と命令完了性を改善しながら拡散ステップを削減する。
  論文  参考訳（メタデータ） (2025-04-07T07:26:25Z)
• FACEMUG: A Multimodal Generative and Fusion Framework for Local Facial Editing [10.123066253648307]
  グローバル一貫性のある局所顔編集(FACEMUG)のための新しい枠組みを提案する。 幅広い入力モダリティを処理でき、未編集の部分をそのまま残しながら細粒度で意味的な操作を可能にする。 顔の特徴の整合性を改善するために,新しい自己教師付き潜時整合アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-26T00:53:54Z)

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。