論文の概要: MIEScore: Human-Aligned Evaluation for Multi-Source Image Editing

• arxiv url: http://arxiv.org/abs/2608.02059v1
• Date: Mon, 03 Aug 2026 10:57:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.49543
• Title: MIEScore: Human-Aligned Evaluation for Multi-Source Image Editing
• Title（参考訳）: MIEScore:マルチソース画像編集のためのヒューマンアライメント評価
• Abstract要約: MIE-Benchは、人間の好みの細かいアノテーションを付加した、最初の大規模多重画像編集ベンチマークである。 MIE-Benchには16タスクに3000の編集インスタンスがあり、それぞれ2つ以上のソースイメージと編集プロンプトが含まれている。 MIEScoreはMultimodal large language model(MLLM)に基づく評価モデルであり、スキル最適化と多次元教師付き微調整によって強化されている。
• 参考スコア（独自算出の注目度）: 80.57428909397176
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in unified multimodal models have significantly improved text-guided image editing abilities. In particular, models such as Nano-Banana-Pro and GPT-Image-2 demonstrate emerging capabilities in multi-source image editing (MIE), including tasks such as object synthesis, person-background composition, and cross-image style fusion. However, existing benchmarks and image editing assessment (IEQA) methods remain primarily focused on single-image editing tasks and largely overlook the more challenging setting of MIE. This highlights the urgent need for a comprehensive and human-aligned benchmark for MIE. To this end, we introduce MIE-Bench, the first large-scale multiple image editing benchmark with fine-grained human preference annotations. Specifically, MIE-Bench includes 3,000 editing instances across 16 tasks, each involving more than two source images and an editing prompt, together with 36K edited images produced by 12 state-of-the-art editing models and over 108K mean opinion scores (MOSs) covering visual quality, instruction following, and attribute preservation. Based on MIE-Bench, we propose MIEScore, a multimodal large language model (MLLM)-based evaluation model enhanced with skill optimization and multi-dimensional supervised fine-tuning, to provide human-aligned feedback for MIE. Extensive experiments show that MIEScore achieves state-of-the-art performance in aligning with human preferences and generalizes well across other IEQA datasets. Both the dataset and the model are available at https://github.com/IntMeGroup/MIEScore.
• Abstract（参考訳）: 統合マルチモーダルモデルの最近の進歩は、テキスト誘導画像編集能力を大幅に改善した。 特に、Nano-Banana-Pro や GPT-Image-2 のようなモデルでは、オブジェクト合成、人-背景合成、クロスイメージスタイルの融合といったタスクを含む、マルチソース画像編集(MIE)の新興機能を示す。 しかし、既存のベンチマークと画像編集アセスメント(IEQA)手法は、主に単一画像編集タスクに焦点を当てており、MIEのより困難な設定をほとんど見落としている。 これはMIEの包括的かつヒューマンアラインなベンチマークに対する緊急の必要性を強調している。 この目的のために,人間の嗜好アノテーションを微粒化した最初の大規模多重画像編集ベンチマークであるMIE-Benchを紹介する。 特に、MIE-Benchは16タスクにわたる3000の編集インスタンスを含み、それぞれ2つ以上のソースイメージと1つの編集プロンプトを含む。 MIE-Benchに基づいて,スキル最適化と多次元教師付き微調整により強化されたマルチモーダル大規模言語モデル(MLLM)に基づく評価モデルMIEScoreを提案する。 大規模な実験により、MIEScoreは人間の好みに合わせて最先端のパフォーマンスを達成し、他のIEQAデータセットに対してうまく一般化していることが示された。 データセットとモデルの両方がhttps://github.com/IntMeGroup/MIEScoreで公開されている。

関連論文リスト

• I2I-Bench: A Comprehensive Benchmark Suite for Image-to-Image Editing Models [78.62380562116135]
  既存の画像編集ベンチマークは、タスクの範囲が限られており、評価範囲が不十分であり、手動のアノテーションに大きく依存している。 画像間編集モデルの総合的なベンチマークである textbfI2I-Bench を提案する。 I2I-Benchを用いて、多数の主流画像編集モデルをベンチマークし、様々な次元にわたる編集モデル間のギャップとトレードオフを調査した。
  論文  参考訳（メタデータ） (2025-12-04T10:44:07Z)
• UniREditBench: A Unified Reasoning-based Image Editing Benchmark [52.54256348710893]
  この研究は、推論に基づく画像編集評価のための統一ベンチマークUniREditBenchを提案する。 精巧にキュレートされた2,700個のサンプルからなり、8つの一次次元と18のサブ次元にわたる実世界シナリオとゲーム世界のシナリオをカバーしている。 このデータセットにBagelを微調整し、UniREdit-Bagelを開発した。
  論文  参考訳（メタデータ） (2025-11-03T07:24:57Z)
• MultiEdit: Advancing Instruction-based Image Editing on Diverse and Challenging Tasks [46.87912659985628]
  MultiEditは、107K以上の高品質の画像編集サンプルを備えた包括的なデータセットである。 18の非スタイルの編集タイプと38のスタイルの転送操作の多様なコレクションを通じて、6つの困難な編集タスクを含んでいる。 我々は、2つのマルチモーダル大言語モデル(MLLM)を用いて視覚適応的な編集命令を生成する新しいデータセット構築パイプラインを用いる。
  論文  参考訳（メタデータ） (2025-09-18T05:33:38Z)
• 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)
• ImgEdit: A Unified Image Editing Dataset and Benchmark [14.185771939071149]
  大規模な画像編集データセットであるImgEditを紹介した。 ImgEditはタスクノベルティとデータ品質の両方で既存のデータセットを上回っている。 画像編集性能を評価するためのベンチマークであるImgEdit-Benchを紹介する。
  論文  参考訳（メタデータ） (2025-05-26T17:53:33Z)
• UniVG: A Generalist Diffusion Model for Unified Image Generation and Editing [59.590505989071175]
  テキスト・ツー・イメージ(T2I)拡散モデルでは、ユーザのプロンプトに従って視覚的に魅力的な画像を生成するという印象的な結果が示されている。 我々は,一組の重みで多様な画像生成タスクをサポートする汎用拡散モデルUniVGを紹介する。
  論文  参考訳（メタデータ） (2025-03-16T21:11:25Z)
• GIM: A Million-scale Benchmark for Generative Image Manipulation Detection and Localization [21.846935203845728]
  我々はSAM, LLM, 生成モデルの強力な機能を統合するローカルな操作データ生成パイプラインを構築している。 1)大規模では、AIが操作する画像と実画像が100万組以上含まれている。
  論文  参考訳（メタデータ） (2024-06-24T11:10:41Z)
• A Survey of Multimodal-Guided Image Editing with Text-to-Image Diffusion Models [117.77807994397784]
  画像編集は、ユーザーが特定の要求を満たすために、与えられた合成画像または実際の画像を編集することを目的としている。 この分野での最近の顕著な進歩は、テキスト・ツー・イメージ(T2I)拡散モデルの開発に基づいている。 T2Iベースの画像編集手法は、編集性能を大幅に向上させ、マルチモーダル入力でガイドされたコンテンツを修正するためのユーザフレンドリーなインタフェースを提供する。
  論文  参考訳（メタデータ） (2024-06-20T17:58:52Z)

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。