論文の概要: Diffusion Image Editing via Asynchronous Token Decoding
- arxiv url: http://arxiv.org/abs/2608.09322v1
- Date: Mon, 10 Aug 2026 09:02:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.174827
- Title: Diffusion Image Editing via Asynchronous Token Decoding
- Title（参考訳）: 非同期トークンデコーディングによる拡散画像編集
- Abstract要約: ATDEditは、各サンプリングステップをグローバルに結合されたトークンマトリックスの並列更新とみなす推論時フレームワークである。
トークンワイズ条件推定を用いて編集可能な位置を推定し、選択したトークンセットに目標条件補正を適用する。
キー/バリューのソースメモリを保留位置で提供し、プロジェクトは保留位置の潜在行を元の値に戻す。
- 参考スコア（独自算出の注目度）: 9.39531887626368
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Text-guided diffusion image editing aims to modify semantic attributes of an image while preserving its identity, layout, and background. However, naïvely switching the text condition during sampling often causes global drift, as denoising dynamics propagate changes across tokens and can disrupt unedited regions. To address this issue, we propose \textbf{A}synchronous \textbf{T}oken \textbf{D}ecoding \textbf{Edit} (ATDEdit), an inference-time framework that views each sampler step as a parallel update of a globally coupled token matrix and enables token-indexed condition switching with differentiated update policies. Instead of applying synchronous target-conditioned updates to all tokens, ATDEdit estimates editable locations using token-wise conditional surprisal and applies target-conditioned corrections to the selected token set. It supplies source key/value memory at keep-token positions and projects selected keep-token latent rows back to their source values; these operations promote background preservation but do not constitute a pixel-level invariance guarantee. This approach combines local editing and background preservation without external or user-provided spatial masks and without model fine-tuning. On PIE-Bench, ATDEdit achieves the strongest reported preservation metrics, including 27.44~dB PSNR and 0.055 LPIPS, while retaining competitive semantic alignment.
- Abstract（参考訳）: テキスト誘導拡散画像編集は、そのアイデンティティ、レイアウト、背景を保存しながら、画像の意味的属性を変更することを目的としている。
しかし、サンプリング中のテキスト条件の切替えは、しばしばグローバルなドリフトを引き起こす。
この問題に対処するため,グローバルに結合したトークンマトリックスの並列更新として各サンプルのステップを眺め,異なる更新ポリシーによるトークンインデックス付き条件切替を可能にする推論時フレームワークである,<textbf{A}synchronous \textbf{T}oken \textbf{D}ecoding \textbf{Edit} (ATDEdit)を提案する。
全てのトークンに同期的なターゲット条件の更新を適用する代わりに、ATDEditはトークンワイド条件の前提を使って編集可能な場所を推定し、選択したトークンセットにターゲット条件の修正を適用する。
キー/バリューのソースメモリを保留位置で供給し、プロジェクト選択したキー/バリュー行を元の値に戻す。
このアプローチは、外部またはユーザが提供する空間マスクやモデル微調整のないローカル編集と背景保存を組み合わせたものである。
PIE-Benchでは、ATDEditは27.44~dB PSNRや0.055LPIPSを含む最も強力な保存基準を達成し、競争力のあるセマンティックアライメントを維持している。
関連論文リスト
- PC-Edit: Prompt-Contrastive Region Discovery and Region-Guided Editing [6.411145731142763]
PC-Editは、トレーニングフリーのMM-DiT編集のためのプロンプトコントラストフレームワークである。
ユーザが指定した編集領域を使わずに,PC-Editが最適な編集品質とバックグラウンド保存を実現していることを示す。
論文 参考訳（メタデータ） (2026-07-23T13:42:03Z) - BindEdit: Taming Attention Leakage for Precise Multi-Object Image Editing [8.542586773614113]
実際の画像編集は視覚的コンテンツの正確な操作を可能にするが、既存の手法は複雑な多目的シナリオで失敗することが多い。
本稿では,単一拡散軌道における注意レベル制約を強制するBindEditを提案する。
BindEditは、単一拡散軌道内の既存のメソッドを一貫して上回る。
論文 参考訳（メタデータ） (2026-06-17T10:32:14Z) - Edit the Bits, Diff the Codes: Bitwise Residual Editing for Visual Autoregressive Models [85.59447229497101]
BitResEditは、Infinityのようなビットワイズ残留VARジェネレータのためのトレーニング不要のエディタである。
ソース-負のガイダンスは、共有編集プレフィックスで計算されたソース-ターゲットコントラストに沿って、ビットごとのポストCFGログ-oddを傾けることで実行される。
サンプルされたビットをスケールごとの連続コード残基に変換し、ローカライゼーションマスクでゲートし、ジェネレータのネイティブサム・オブ・スケールを通じて再注入する。
論文 参考訳（メタデータ） (2026-06-11T16:41:25Z) - MaskAlign: Token-Subset Representation Alignment for Efficient Diffusion Training [53.777757218665386]
MaskAlignは、トレーニング中にランダムにサンプリングされたトークンサブセットにアライメントを適用するトークン-サブセット表現アライメント手法である。
我々は、MaskAlignが完全なトークン集合への配向の依存を減らし、トークン-サブセット摂動下でより安定な配向挙動を促進することを示す。
論文 参考訳（メタデータ） (2026-06-07T19:11:22Z) - SpotEdit: Selective Region Editing in Diffusion Transformers [66.44912649206553]
SpotEditは、修正されたリージョンのみを選択的に更新する、トレーニング不要な拡散編集フレームワークである。
不要な計算を削減し、未修正領域で高い忠実性を維持することにより、SpotEditは効率よく正確な画像編集を実現する。
論文 参考訳（メタデータ） (2025-12-26T14:59:41Z) - Training-Free Disentangled Text-Guided Image Editing via Sparse Latent Constraints [2.4140502941897544]
テキスト駆動の画像操作は、しばしば属性の絡み合いに悩まされる。
Predict, Prevent, and Evaluate frameworkは、事前訓練された視覚言語モデルを活用して、アンタングル編集に利用することでこの問題に対処する。
実験の結果、提案手法はより集中的で制御された編集を強制し、顔認証を維持しながら意図しない非ターゲット属性の変化を効果的に低減することを示した。
論文 参考訳（メタデータ） (2025-12-25T11:38:10Z) - ContextDrag: Precise Drag-Based Image Editing via Context-Preserving Token Injection and Position-Consistent Attention [81.12932992203885]
ドラッグベースの編集のための新しいパラダイムであるContextDragを紹介します。
参照イメージからVAEエンコードされた機能を組み込むことで、ContextDragはリッチなコンテキストキューを活用し、きめ細かい詳細を保存することができる。
論文 参考訳（メタデータ） (2025-12-09T10:51:45Z) - SAEdit: Token-level control for continuous image editing via Sparse AutoEncoder [52.754326452329956]
本稿では,テキスト埋め込みのトークンレベルの操作を通じて,アンタングルと連続的な編集を行う手法を提案する。
編集は、対象属性の強度を制御する、慎重に選択された方向に沿って埋め込みを操作することで行われる。
本手法は,拡散過程を変更せずにテキスト埋め込みを直接操作し,画像のバックボーンに広く適用可能な,非依存なモデルとする。
論文 参考訳（メタデータ） (2025-10-06T17:51:04Z) - Addressing Text Embedding Leakage in Diffusion-based Image Editing [33.1686050396517]
本稿では属性リークに対処するフレームワークであるAttribute-Leakage-free Editing (ALE)を紹介する。
ALEは、オブジェクト制限埋め込み(ORE)とテキスト埋め込みのアンタングル、空間的に正確に注意を向けるRGB-CAM(Regional-Guided Blending for Cross-Attention Masking)、非編集コンテンツを保存するためにバックグラウンドブレンディング(Backside Blending)を組み合わせる。
論文 参考訳（メタデータ） (2024-12-06T02:10:07Z) - 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) - DiffEdit: Diffusion-based semantic image editing with mask guidance [64.555930158319]
DiffEditは、セマンティック画像編集のタスクにテキスト条件付き拡散モデルを利用する方法である。
私たちの主なコントリビューションは、編集が必要な入力画像の領域をハイライトするマスクを自動的に生成できることです。
論文 参考訳（メタデータ） (2022-10-20T17:16:37Z)
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。