論文の概要: SR-Edit: Region-Aware Image Editing via Self-Refinement
- arxiv url: http://arxiv.org/abs/2609.02504v1
- Date: Wed, 02 Sep 2026 12:08:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:18.32787
- Title: SR-Edit: Region-Aware Image Editing via Self-Refinement
- Title（参考訳）: SR-Edit:セルフリファインメントによる地域対応画像編集
- Abstract要約: SR-Editは画像編集フレームワークで、反復的な自己修正によって問題を克服する。
SR-Editは,既存の編集技術と比較して,保存性や画像品質に優れることを示す。
- 参考スコア（独自算出の注目度）: 30.465634862533516
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the recent rapid progress in generative models, image editing has made remarkable advances, yet achieving faithful edits that precisely modify only the target regions while strictly preserving all other regions remains challenging. Since externally provided region annotations are often difficult to obtain in practice, a growing body of work seeks to improve preservation by automatically inferring edit and non-edit regions, and then enforcing consistency on the latter. However, these approaches still suffer from inaccurate region estimation and heuristic correction strategies that distort the native inference process, making methods designed for fidelity themselves a new source of artifacts. We propose SR-Edit, an image editing framework that overcomes these issues via iterative self-refinement. Specifically, at each iteration, SR-Edit first (i) extracts progressively precise and self-consistent region separation from the model's own predictions by lightweight post-processing, and then (ii) enforces preservation in non-edit areas through correction updates that remain aligned with the original sampling dynamics. Extensive experiments demonstrate that SR-Edit achieves superior preservation and overall image quality compared to existing editing techniques.
- Abstract（参考訳）: 生成モデルの最近の急速な進歩により、画像編集は目覚ましい進歩を遂げたが、ターゲット領域のみを正確に修正し、他の領域を厳密に保存する忠実な編集は依然として困難である。
外部から提供された領域アノテーションは実際には入手が難しい場合が多いため、編集領域や非編集領域を自動で推測し、後者に一貫性を持たせることにより、保存性の向上を図っている。
しかし、これらのアプローチは依然として、自然推論プロセスを歪ませる不正確な領域推定とヒューリスティックな修正戦略に悩まされており、忠実性自体を新しい成果物の源として設計している。
本稿では,画像編集フレームワークSR-Editを提案する。
具体的には、各イテレーションで、まずSR-Edit
一 軽量後処理により、モデル自身の予測から、段階的に正確かつ自己整合領域を抽出し、次いで、
二 元のサンプリングダイナミックスと整合した修正更新を行うことにより、非編集領域の保存を強制する。
SR-Editは既存の編集技術に比べて保存性や画像品質に優れることを示した。
関連論文リスト
- WhereEdit: Mask-aware Local Latent Editing for One-Step Image Editing [16.758428220880734]
ワンステップのテキスト・トゥ・イメージ(T2I)モデルは効率的な画像合成を可能にし、リアルタイム画像編集の新しい機会を提供する。
既存のワンステップ編集手法は意味変換のためのテキストコンディショニングに依存しており、編集すべきテキストの空間的制御が欠如している。
我々は,一段階編集を局所化適応編集として再構成するフレームワークである textbfWhereEdit を提案する。
論文 参考訳（メタデータ） (2026-07-23T03:11:25Z) - HierEdit: Region-Aware Hierarchical Diffusion for Efficient High-Resolution Editing [83.1290629939693]
プロやクリエイティブなアプリケーションには高解像度の画像編集が不可欠である。
現在のアプローチでは、イメージキャンバス全体を冗長に処理するか、大規模な高解像度データセットに依存している。
高速かつスケーラブルな高解像度画像編集のための領域対応階層拡散フレームワークであるHierEditを紹介する。
論文 参考訳（メタデータ） (2026-05-17T07:14:15Z) - DirectEdit: Step-Level Accurate Inversion for Flow-Based Image Editing [51.56484100374058]
我々は、事前訓練されたテキスト・ツー・イメージ(T2I)モデルのトレーニング不要な編集方法であるDirectEditを提案する。
DirectEditは、追加の神経機能評価(NFE)を導入することなく、固有の再構成エラーを除去する
実験により、DirectEditは効率よく正確な画像編集を実現し、最先端の手法よりも優れたパフォーマンスを提供することが示された。
論文 参考訳（メタデータ） (2026-05-04T10:09:18Z) - ResetEdit: Precise Text-guided Editing of Generated Image via Resettable Starting Latent [45.3757356193519]
近年の拡散モデルにより高品質の画像生成が可能となり, ポストジェネレーションの需要が高まっている。
再生可能な潜伏情報を直接生成プロセスに埋め込むプロアクティブな拡散編集フレームワークであるResetEditを提案する。
安定拡散に基づいて構築されたResetEditは、既存のチューニング不要な編集メソッドとシームレスに統合され、制御性と視覚的忠実性の両方において、最先端のベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2026-04-28T02:05:08Z) - Rethinking Where to Edit: Task-Aware Localization for Instruction-Based Image Editing [30.23368654238746]
教示に基づく画像編集のための訓練不要でタスク対応の編集ローカライズフレームワークを提案する。
我々のフレームワークは、強い命令追従性能を維持しながら、非編集領域の一貫性を一貫して改善する。
論文 参考訳（メタデータ） (2026-04-22T07:08:01Z) - Rethinking Structure Preservation in Text-Guided Image Editing with Visual Autoregressive Models [18.626758540572894]
本稿では,視覚自己回帰(VAR)モデルにおける中間特徴分布の解析に根ざした,新たなテキスト誘導画像編集フレームワークを提案する。
まず、編集可能な領域を洗練し、編集精度と背景保存のバランスをとる、粗いトークンの局所化戦略を導入する。
第2に、VARモデルの中間表現を分析し、構造に関連した特徴を同定し、単純で効果的な特徴注入機構を設計する。
第3に,拡張学習に基づく適応的特徴注入方式を開発し,スケール比と層比を自動で学習し,編集精度と構造保存を協調的に最適化する。
論文 参考訳（メタデータ） (2026-03-30T12:35:33Z) - Follow-Your-Shape: Shape-Aware Image Editing via Trajectory-Guided Region Control [52.87568958372421]
Follow-Your-Shapeは、トレーニング不要でマスクなしのフレームワークで、オブジェクト形状の正確かつ制御可能な編集をサポートする。
インバージョンとデノナイジングパスのトークン単位の速度差を比較することで,TDM(Torjectory Divergence Map)を算出する。
本手法は、特に大規模な形状変更を必要とするタスクにおいて、優れた編集性と視覚的忠実性を実現する。
論文 参考訳（メタデータ） (2025-08-11T16:10:00Z) - Lost in Edits? A $λ$-Compass for AIGC Provenance [119.95562081325552]
本稿では,実測出力と操作された出力を頑健に識別し,識別する新しい潜在空間属性法を提案する。
LambdaTracerは、InstructPix2Pixのようなテキスト誘導編集ツールによって自動化されるか、Adobe Photoshopのような編集ソフトウェアで手動で実行されるか、様々な反復編集プロセスで有効である。
論文 参考訳（メタデータ） (2025-02-05T06:24:25Z) - Uniform Attention Maps: Boosting Image Fidelity in Reconstruction and Editing [66.48853049746123]
構造的視点から再構築を解析し、従来の横断的注意を一様注意マップに置き換える新しいアプローチを提案する。
本手法は,ノイズ予測時のテキスト条件の変化による歪みを効果的に抑制する。
実験結果から,本手法は高忠実度画像再構成に優れるだけでなく,実際の画像合成や編集のシナリオにも頑健に機能することが示された。
論文 参考訳（メタデータ） (2024-11-29T12:11:28Z) - ZONE: Zero-Shot Instruction-Guided Local Editing [56.56213730578504]
ゼロショットインストラクションを用いた局所画像編集手法ZONEを提案する。
InstructPix2Pixを通してユーザが提供する命令から特定の画像編集領域に変換する。
次に,オフザシェルフセグメントモデルから正確な画像層抽出を行う領域IoU方式を提案する。
論文 参考訳（メタデータ） (2023-12-28T02:54:34Z) - LIME: Localized Image Editing via Attention Regularization in Diffusion Models [69.33072075580483]
本稿では拡散モデルにおける局所化画像編集のためのLIMEを提案する。
LIMEは、ユーザが指定した関心領域(RoI)や追加のテキスト入力を必要としない。
そこで本研究では,RoIにおける非関係なクロスアテンションスコアをデノナイジングステップ中にペナライズし,局所的な編集を確実にする新しいクロスアテンション正規化手法を提案する。
論文 参考訳（メタデータ） (2023-12-14T18:59:59Z)
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。