論文の概要: TurboClear: One-Step Object-Effect Removal via Region-Calibrated Distribution Matching and Fusion

• arxiv url: http://arxiv.org/abs/2608.01288v1
• Date: Sun, 02 Aug 2026 14:56:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.149864
• Title: TurboClear: One-Step Object-Effect Removal via Region-Calibrated Distribution Matching and Fusion
• Title（参考訳）: TurboClear: 領域校正分布マッチングと融合による1ステップのオブジェクト-エフェクト除去
• Abstract要約: SDXLに基づくオブジェクト効果除去モデルであるTurboClearを提案する。 トレーニング中,教師モデルの非対称な編集保存行動を保存するため,地域対応蒸留のための地域校正型分布マッチング(RDM)を設計した。 実験により、TurboClearは、競合する視覚的品質を維持しながら、推論効率を大幅に改善することが示された。
• 参考スコア（独自算出の注目度）: 40.189383154480154
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, diffusion-based removal methods have achieved promising visual quality in removing both target objects and their associated effects. However, they typically rely on multi-step denoising, leading to high inference cost. Directly applying existing one-step distillation methods is also suboptimal, since their global objectives lack explicit region-wise calibration and may weaken the asymmetric edit-and-preserve behavior required by object-effect removal. To address these challenges, we propose TurboClear, a one-step SDXL-based object-effect removal model. During training, we design Region-Calibrated Distribution Matching (RDM) for region-aware distillation to preserve the teacher model's asymmetric edit-and-preserve behavior. Furthermore, we propose Learnable Spatial Fusion (LSF) for lightweight inference-time fusion. Extensive experiments show that TurboClear significantly improves inference efficiency while maintaining competitive visual quality. TurboClear reduces the computational overhead by up to $40.04\times$ compared to ObjectClear, and by up to $665\times$ against the Flux-based method OmniPaint, all while maintaining comparable or better visual removal quality. Code is available at https://github.com/GuoCalix/TurboClear.
• Abstract（参考訳）: 近年,拡散型除去法は,対象物と関連する効果の両方を除去する上で,有望な視覚的品質を実現している。 しかし、それらは一般的にマルチステップのデノベーションに依存しており、高い推論コストをもたらす。 既存の一段階蒸留法を直接適用することは、その大域的目的が明示的な地域的キャリブレーションを欠いているため、オブジェクト・エフェクト除去に必要な非対称な編集・保存動作を弱める可能性があるため、最適ではない。 これらの課題に対処するため,SDXLに基づくオブジェクト効果除去モデルであるTurboClearを提案する。 トレーニング中,教師モデルの非対称な編集保存行動を保存するため,地域対応蒸留のための地域校正型分布マッチング(RDM)を設計した。 さらに,軽量な推論時核融合のためのLearable Space Fusion (LSF)を提案する。 大規模な実験により、TurboClearは、競争力のある視覚的品質を維持しながら、推論効率を大幅に改善することが示された。 TurboClearはObjectClearと比較して最大40.04\times$、FluxベースのOmniPaintに対して最大665\times$の計算オーバーヘッドを削減します。 コードはhttps://github.com/GuoCalix/TurboClear.comで入手できる。

関連論文リスト

• OSOR: One-Step Diffusion Inpainting for Effect-Aware Object Removal [12.847574328137341]
  我々は,効率,エフェクト・アウェア,マスク・ロバスト・オブジェクト除去を同時に実現するOSOR(One-Step Object removal)を提案する。 OSORは,(1)単一段階拡散訓練を安定的に行うための,正確な境界監督のための占有誘導判別器,(2)事前学習した拡散モデルからの知識を活用して,最小オーバーヘッドで適切な除去領域を予測するアルファヘッド,(3)ノイズの多い命令ベースの三重項をフィルタリングして,大規模に効果認識監視を行うセマンティックアンコレッド検証パイプライン(SAVP)を紹介する。
  論文  参考訳（メタデータ） (2026-06-26T13:53:50Z)
• Closed-Form Spectral Regularization for Multi-Task Model Merging [96.82449201305234]
  モデルマージは、個別に調整された複数の専門家をトレーニングデータなしで単一のマルチタスクモデルに結合する。 State-of-the-art merging method formulate merging as a layer-wise interference problem。 本稿では,逐次降下の勾配-流路に一致するソフト指数フィルタを組み合わせた閉形式手法SWUDIを提案する。
  論文  参考訳（メタデータ） (2026-06-05T14:00:47Z)
• FlashClear: Ultra-Fast Image Content Removal via Efficient Step Distillation and Feature Caching [37.33145382932306]
  拡散に基づくオブジェクト除去モデルは、すべてのタイムステップで全てのトークンを無差別にデノベートし、除去は通常小さな前景領域を含むことを無視する。 本稿では,領域認識型適応蒸留 (RAD) を実装するための潜在判別器を提案し,FlashClear という高効率な数ステップモデルを提案する。 さらに,FPAC (Foreground-Prioritized Asymmetric Attention and Caching) は,FPAC (Foreground-Prioritized Asymmetric Attention and Caching) を学習不要な加速戦略として提案する。
  論文  参考訳（メタデータ） (2026-05-09T15:39:14Z)
• Lean Learning Beyond Clouds: Efficient Discrepancy-Conditioned Optical-SAR Fusion for Semantic Segmentation [26.501346227659866]
  本稿では,効率指向・離散性を考慮した光-SARセマンティックセマンティックセマンティクスフレームワークであるEDCを提案する。 EDCはmIoUを0.56%、M3M-CRとWHU-OPT-SARで0.88%改善する。
  論文  参考訳（メタデータ） (2026-03-21T13:14:40Z)
• CADO: From Imitation to Cost Minimization for Heatmap-based Solvers in Combinatorial Optimization [8.485234027066012]
  熱マップに基づく解法は、組合せ最適化(CO)の有望なパラダイムとして登場した 我々は、支配的なスーパーバイザードラーニング(SL)トレーニングパラダイムが、根本的な客観的なミスマッチに悩まされていることを論じる。 本稿では,拡散復号化過程をMDPとして定式化するフレームワークであるCADOを提案し,ポスト復号化ソリューションコストを直接最適化する。
  論文  参考訳（メタデータ） (2026-02-09T02:19:30Z)
• DiffusionNFT: Online Diffusion Reinforcement with Forward Process [99.94852379720153]
  Diffusion Negative-aware FineTuning (DiffusionNFT) は、フローマッチングを通じて前方プロセス上で直接拡散モデルを最適化する新しいオンラインRLパラダイムである。 DiffusionNFTは、CFGフリーのFlowGRPOよりも25倍効率が高い。
  論文  参考訳（メタデータ） (2025-09-19T16:09:33Z)
• Erase Diffusion: Empowering Object Removal Through Calibrating Diffusion Pathways [13.08168394252538]
  Erase inpaintingは、周囲のコンテンツの全体的な一貫性を維持しながら、マスクされた領域内でターゲットオブジェクトを正確に除去することを目的としている。 オブジェクト除去の文脈において,標準拡散の潜在的なパワーを解放することを目的として,Eraase Diffusionと呼ばれる新しいEraase Diffusionを提案する。 提案したEraDiffは,OpenImages V5データセットの最先端性能を実現し,実世界のシナリオにおいて大きな優位性を示す。
  論文  参考訳（メタデータ） (2025-03-10T08:06:51Z)
• One-Step Diffusion Model for Image Motion-Deblurring [85.76149042561507]
  本稿では,脱臭過程を1段階に短縮する新しいフレームワークである脱臭拡散モデル(OSDD)を提案する。 拡散モデルにおける忠実度損失に対処するために,構造復元を改善する改良された変分オートエンコーダ(eVAE)を導入する。 提案手法は,実測値と非参照値の両方で高い性能を達成する。
  論文  参考訳（メタデータ） (2025-03-09T09:39:57Z)
• Efficient Diffusion as Low Light Enhancer [63.789138528062225]
  RATR(Reflectance-Aware Trajectory Refinement)は、イメージの反射成分を用いて教師の軌跡を洗練するための、シンプルで効果的なモジュールである。 textbfReDDiT (textbfDistilled textbfTrajectory) は低照度画像強調(LLIE)に適した効率的で柔軟な蒸留フレームワークである。
  論文  参考訳（メタデータ） (2024-10-16T08:07:18Z)
• Erasing Undesirable Influence in Diffusion Models [51.225365010401006]
  拡散モデルは高品質な画像を生成するのに非常に効果的であるが、NSFW(職場では安全ではない)コンテンツの意図しない生成のようなリスクを引き起こす。 本研究では,データに関連付けられた不要な情報を取り除き,保存データに対する拡散モデルの実用性を維持するために設計されたアルゴリズムであるEraseDiffを紹介する。
  論文  参考訳（メタデータ） (2024-01-11T09:30:36Z)
• Systematic Investigation of Sparse Perturbed Sharpness-Aware Minimization Optimizer [158.2634766682187]
  ディープニューラルネットワークは、複雑で非構造的なロスランドスケープのため、しばしば一般化の貧弱さに悩まされる。 SharpnessAware Minimization (SAM) は、摂動を加える際の景観の変化を最小限に抑えることで損失を平滑化するポピュラーなソリューションである。 本稿では,二元マスクによる摂動を効果的かつ効果的に行う訓練手法であるスパースSAMを提案する。
  論文  参考訳（メタデータ） (2023-06-30T09:33:41Z)

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。