論文の概要: Refinement Is Inherently Editable: Training-Free Prompt-to-Prompt Image Editing with Generative Refinement Network

• arxiv url: http://arxiv.org/abs/2609.20633v2
• Date: Sun, 20 Sep 2026 14:09:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.142272
• Title: Refinement Is Inherently Editable: Training-Free Prompt-to-Prompt Image Editing with Generative Refinement Network
• Title（参考訳）: リファインメントは本質的に編集可能: 生成的リファインメントネットワークによるトレーニング不要のプロンプトとプロンプトの画像編集
• Abstract要約: RefineEditは、GRN(Generative Refinement Networks)上に構築されたトレーニングフリーのプロンプトとプロンプトの画像編集フレームワークである。 ビットルーティングと、適応的な空間凍結と有限ビットロックという2つの安定化メカニズムを組み合わせる。 評価手法の中で,PSNR,LPIPS,MSE,SSIMの背景保存スコアと,最も高い全画像・編集領域CLIPスコアを達成している。
• 参考スコア（独自算出の注目度）: 26.99661614820174
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text-guided image editing must introduce the requested changes while preserving unrelated source content. In training-free editing, diffusion-based editors often use spatial controls whose inaccuracies can leave edits incomplete or alter unrelated regions. Autoregressive-based editors face a further constraint: their fixed decoding order limits revision of earlier decisions. As the first to explore training-free image editing with Generative Refinement Networks (GRN), we observe that its refinement process is inherently suitable for editing and offers a promising way to address these limitations. Motivated by this observation, we introduce RefineEdit, a training-free prompt-to-prompt image editing framework built on the GRN. Our key idea is to couple edit localization with content generation through the global refinement of binary image codes, allowing editing evidence to be revised as the image evolves. More specifically, RefineEdit combines bit routing with two stabilization mechanisms: adaptive spatial freezing and finite bit locking. Bit routing starts from an intermediate source state and uses signed probability differences between the two branches to identify editable positions and bits. It directs selected bits toward editing refinement while anchoring the rest to the evolving source trajectory. Adaptive spatial freezing limits unnecessary expansion of the editing region, while finite bit locking maintains recent bit activations to support continued editing. The overall framework requires no additional training, external masks, or attention control. Across nine editing categories of PIE-Bench, RefineEdit achieves the best background-preservation scores in PSNR, LPIPS, MSE, and SSIM, together with the highest whole-image and edited-region CLIP scores among the evaluated methods. Code is available at https://github.com/mura1n/RefineEdit.
• Abstract（参考訳）: テキスト誘導画像編集は、無関係なソースコンテンツを保持しながら要求された変更を導入する必要がある。 トレーニングなし編集では、拡散ベースのエディタは、不正確な編集が不完全または非関連領域を変更できる空間制御を使用することが多い。 自動回帰ベースのエディタはさらに制約に直面している。 GAN(Generative Refinement Networks)によるトレーニングフリーな画像編集を初めて検討した結果,改良プロセスは本質的に編集に適したものであり,これらの制限に対処するための有望な手段であることがわかった。 この観察に触発されたRefineEditは、GRN上に構築されたトレーニングフリーのプロンプト・プロンプト・プロンプト画像編集フレームワークである。 私たちのキーとなる考え方は、バイナリイメージコードのグローバルな洗練を通じて、コンテンツ生成とローカライゼーションを結合させることで、画像の進化に伴って編集証拠を修正できるようにすることです。 より具体的には、RefineEditはビットルーティングと2つの安定化メカニズム(適応的空間凍結と有限ビットロック)を組み合わせる。 ビットルーティングは中間ソース状態から始まり、2つのブランチ間で署名された確率差を使用して編集可能な位置とビットを識別する。 選択したビットを編集に向け、残りのビットを進化するソース軌道に固定する。 適応的な空間凍結制限は編集領域を不要に拡張するが、有限ビットロックは編集継続をサポートするために最近のビットアクティベーションを維持する。 全体的なフレームワークは、追加のトレーニング、外部マスク、アテンションコントロールを必要としない。 PIE-Benchの9つの編集カテゴリにおいて、RefineEditはPSNR、LPIPS、MSE、SSIMで最高のバックグラウンド保存スコアを達成し、評価手法の中で最も高い全画像および編集領域のCLIPスコアを達成している。 コードはhttps://github.com/mura1n/RefineEditで入手できる。

関連論文リスト

• 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)
• Edit Where You Mean: Region-Aware Adapter Injection for Mask-Free Local Image Editing [28.295031615161136]
  大規模な拡散変換器 (DiT) はグローバルな編集命令に従っているが、常に非関連領域に局所的な編集をリークする。 そこで我々はAdaptEditを紹介した。AdaptEditは、訓練された命令と地域対応のアダプタフレームワークである。 AdaptEditは最先端の結果を達成し、マスクフリーとオラクルマスクのベースラインを同時に上回る。
  論文  参考訳（メタデータ） (2026-04-26T15:28:02Z)
• 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)
• FlowDC: Flow-Based Decoupling-Decay for Complex Image Editing [52.54102743380658]
  本稿では,複雑な編集を複数のサブ編集エフェクトに分離し,編集プロセス中に並列に重畳するFlowDCを提案する。 FlowDCは既存の方法に比べて優れた結果を示した。
  論文  参考訳（メタデータ） (2025-12-12T09:08:39Z)
• Optimisation-Based Multi-Modal Semantic Image Editing [58.496064583110694]
  本稿では,複数の編集命令型に対応するために,推論時編集の最適化を提案する。 各損失関数の影響を調整することで、ユーザの好みに合わせてフレキシブルな編集ソリューションを構築することができる。 本手法は,テキスト,ポーズ,スクリブルといった編集条件を用いて評価し,複雑な編集を行う能力を強調した。
  論文  参考訳（メタデータ） (2023-11-28T15:31:11Z)
• Object-aware Inversion and Reassembly for Image Editing [61.19822563737121]
  オブジェクトレベルのきめ細かい編集を可能にするために,オブジェクト認識型インバージョンと再アセンブリ(OIR)を提案する。 画像の編集時に各編集ペアに対して最適な反転ステップを見つけるために,検索基準を用いる。 本手法は,オブジェクトの形状,色,材料,カテゴリなどの編集において,特に多目的編集シナリオにおいて優れた性能を発揮する。
  論文  参考訳（メタデータ） (2023-10-18T17:59:02Z)
• EditGAN: High-Precision Semantic Image Editing [120.49401527771067]
  EditGANは高品質で高精度なセマンティック画像編集のための新しい手法である。 EditGANは前例のない細部と自由度で画像を操作可能であることを示す。 また、複数の編集を組み合わせることも簡単で、EditGANのトレーニングデータ以外の編集も可能になります。
  論文  参考訳（メタデータ） (2021-11-04T22:36:33Z)

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。