論文の概要: PredErase: Training-Free Object-and-Effect Removal with Predictive Latent Guidance

• arxiv url: http://arxiv.org/abs/2609.00956v1
• Date: Tue, 01 Sep 2026 09:14:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.49403
• Title: PredErase: Training-Free Object-and-Effect Removal with Predictive Latent Guidance
• Title（参考訳）: PredErase: 予測潜在誘導による学習不要なオブジェクト・アンド・エフェクト除去
• Authors: Waikit Xiu, Qiang Lu, Junbiao Chen, Xiying Li,
• Abstract要約: 監督された除去者は、ペアのクリーンプレートからこのジョイント消去を学ぶ。 凍結FLUX.2とI-JEPAのトレーニング不要推論法であるPredEraseについて述べる。
• 参考スコア（独自算出の注目度）: 4.31721790335838
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Removing an object is not the same as filling its mask. Cast shadows and contact shading usually lie outside the user-provided instance mask M_obj, so a frozen Fill model that edits only that mask leaves the object's photometric footprint on nearby surfaces. Supervised removers learn this joint erasure from paired clean plates. Training-free editors freeze pretrained weights, yet most still treat M_obj as the entire editable support and steer sampling with CLIP or DINO energies that do not predict the occluded scene. We present PredErase, a training-free inference procedure on frozen FLUX.2 and I-JEPA. The method separates where Fill may rewrite pixels from what structure should occupy the hole. A contact-band expansion M_flux of M_obj exposes local residuals on the supporting plane. I-JEPA, pretrained for masked token prediction, supplies a context-conditioned hole target in representation space; sparse projected gradients align decoded Fill completions with that target inside the instance, while coordinates outside the packed support stay locked. Under instance-only masks on RemovalBench, RORD-Val, and DEFACTO-Val, PredErase improves the native FLUX.2 backbone. Supervised removers remain stronger on several full-image appearance metrics; the supported claim is training-free object-and-effect editing of frozen Fill, not replacement of paired-data erasers.
• Abstract（参考訳）: 物体を取り除くことは、そのマスクを埋めるのと同じではない。 キャスティングシャドウとコンタクトシェーディングは、通常、ユーザが提供するインスタンスマスクM_objの外にあるので、マスクだけを編集する冷凍フィルモデルが、オブジェクトの光学的フットプリントを近くの表面に残します。 監督された除去者は、ペアのクリーンプレートからこのジョイント消去を学ぶ。 トレーニング不要のエディタはトレーニング済みの重量を凍結するが、ほとんどのエディタは、隠されたシーンを予測しないCLIPやDINOエネルギでM_obj全体を編集可能なサポートとステアサンプリングとして扱う。 凍結FLUX.2とI-JEPAのトレーニング不要推論法であるPredEraseについて述べる。 この方法は、Fillがどの構造で穴を埋めるべきかからピクセルを書き直すことができる。 M_objの接触バンド展開M_fluxは、支持面上に局所残留物を公開する。 I-JEPAは、マスク付きトークン予測のために事前訓練され、表現空間にコンテキスト条件付きホールターゲットを提供する。 removeBench、RORD-Val、DEFACTO-Valのインスタンスのみのマスクでは、PredEraseはネイティブFLUX.2のバックボーンを改善している。 サポート対象のクレームは、ペアデータ消去器の代替ではなく、凍結したFillのトレーニング不要のオブジェクト・アンド・エフェクト編集である。

関連論文リスト

• SIGMA: Semantic-Difference Instruction-Grounding Mask Annotator for Text-Driven Image Manipulation Localization [64.6372217552272]
  公開編集データセットには、IMLトレーニングサンプルと構造的に同一(オリジナル、編集)のペアが数百万個含まれており、ピクセルレベルのマスクのみが欠如している。 本稿では,視覚基盤のバックボーンにおいて意味・特徴の相違を行うSIGMAを提案する。 1.1M IMLトレーニングセットを生成し、5つのデータセットに対して+18.34%のF1で6つの多様な検出器を改善する。
  論文  参考訳（メタデータ） (2026-05-27T03:55:13Z)
• OmniPaint: Mastering Object-Oriented Editing via Disentangled Insertion-Removal Inpainting [54.525583840585305]
  我々はオブジェクトの削除と挿入を相互依存プロセスとして再概念化する統合フレームワークであるOmniPaintを紹介した。 我々の新しいCFDメトリクスは、コンテキスト整合性とオブジェクト幻覚の堅牢で参照不要な評価を提供する。
  論文  参考訳（メタデータ） (2025-03-11T17:55:27Z)
• SmartEraser: Remove Anything from Images using Masked-Region Guidance [114.36809682798784]
  SmartEraserはMasked-Region Guidanceと呼ばれる新しい削除パラダイムで構築されている。 Masked-Region Guidanceは、削除プロセスのガイダンスとして、入力中のマスクされた領域を保持します。 大規模オブジェクト除去データセットであるSyn4Removalを提案する。
  論文  参考訳（メタデータ） (2025-01-14T17:55:12Z)

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。