論文の概要: Paint-Anything: Unified Any-Color Control for Image Generation and Editing

• arxiv url: http://arxiv.org/abs/2609.20816v2
• Date: Sun, 20 Sep 2026 00:16:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.166172
• Title: Paint-Anything: Unified Any-Color Control for Image Generation and Editing
• Title（参考訳）: Paint-Anything:イメージ生成と編集のための統一された任意の色制御
• Abstract要約: Paint-Anythingは、オブジェクトレベルの色管理を通じて、生成と編集のための共有ヘックスプロンプトインタフェースを学習する。 実際の画像からPaint-500Kをオブジェクトグラウンド、知覚カラーラベリング、編集ペア合成によって構築するデータパイプラインを開発した。 ACBench-T2IとACBench-Editのスコアは、ベースモデルと比較してそれぞれ85.3%、28.3%向上している。
• 参考スコア（独自算出の注目度）: 12.957538133214896
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Professional design requires any-color control: the ability to specify an object's target color with any 24-bit hex value for image generation and editing. Prior work has explored color generation, editing, and colorization, but often relies on dedicated color representations or specialized inference procedures. Advances in large language models offer a simpler starting point: even compact models can associate hex values with color semantics. We present Paint-Anything, which learns a shared hex-prompt interface for generation and editing through object-level color supervision. We develop a data pipeline that constructs Paint-500K from real images through object grounding, perceptual color labeling, and editing-pair synthesis. Since shadows make real-image labels only approximate colors, we complement this supervision with pure-color anchors whose pixels exactly match their paired hex values. These anchors are used only at high-noise timesteps, leaving low-noise training to natural images. We further introduce Any Color Benchmark (ACBench), comprising ACBench-T2I and ACBench-Edit, to measure object-level hex color fidelity across both tasks. On FLUX.2-4B, Paint-Anything improves ACBench-T2I and ACBench-Edit scores by 85.3% and 28.3%, respectively, relative to the base model, with ablations supporting the training recipe. It also achieves the highest average CompColor score among the compared methods.
• Abstract（参考訳）: イメージ生成と編集に24ビットのヘックス値でオブジェクトのターゲット色を指定する機能。 以前の研究は色生成、編集、色付けを研究してきたが、しばしば専用の色表現や特別な推論手順に頼っている。 大型言語モデルの進歩は、より単純な出発点を提供する:コンパクトモデルでさえ、ヘックス値と色意味論を関連付けることができる。 そこで本研究では,オブジェクトレベルの色管理による色生成と編集のための共有ヘックスプロンプトインタフェースを学習するPaint-Anythingを提案する。 実際の画像からPaint-500Kをオブジェクトグラウンド、知覚的カラーラベリング、編集対合成によって構築するデータパイプラインを開発した。 影は実画像のラベルを近似色だけにするので、この監督を、ピクセルがペアのヘックス値と正確に一致する純色アンカーで補完する。 これらのアンカーは高ノイズの時間ステップでのみ使用され、低ノイズの訓練は自然画像に委ねられる。 さらに、ACBench-T2IとACBench-Editを組み合わせたAny Color Benchmark(ACBench)を導入し、両タスク間のオブジェクトレベルのヘックスカラーの忠実度を測定した。 FLUX.2-4Bでは、Paint-AnythingはACBench-T2IとACBench-Editのスコアをそれぞれ85.3%と28.3%改善し、トレーニングレシピをサポートする。 また、比較した手法の中で、平均的なCompColorスコアを達成している。

関連論文リスト

• Recolour What Matters: Region-Aware Colour Editing via Token-Level Diffusion [43.72039047537043]
  カラーは、イメージ生成において最も知覚的に健全だが最小限の制御可能な属性の1つである。 ColourCrafterは、色編集をグローバルトーン転送から構造化された地域対応生成プロセスに変換する。 ColourfulSetは、連続的および多彩なカラーバリエーションを備えた、高品質な画像ペアの大規模なデータセットです。
  論文  参考訳（メタデータ） (2026-03-19T03:53:38Z)
• NumColor: Precise Numeric Color Control in Text-to-Image Generation [57.72106507860579]
  テキストと画像のモデルは、自然言語の記述から画像を生成するのに優れているが、数値的な色を解釈できない。 我々は,複数の拡散アーキテクチャを横断する正確な数値色制御が可能なNumColorを提案する。 NumColorは、GenColorBenchベンチマークで色調和スコアを10-30倍改善しながら、5つのモデルで4-9倍の数値色精度を向上させる。
  論文  参考訳（メタデータ） (2026-03-13T19:37:25Z)
• GenColorBench: A Color Evaluation Benchmark for Text-to-Image Generation Models [61.786094845872576]
  GenColorBenchは、テキストから画像までのカラー生成のための、最初の総合的なベンチマークである。 I SCC-NBS や CSS3/X11 などのカラーシステムにも採用されている。 400以上の色をカバーする44K色のプロンプトによって、知覚的および自動評価を通じてモデルの真の能力を明らかにする。
  論文  参考訳（メタデータ） (2025-10-23T14:12:55Z)
• ColorEdit: Training-free Image-Guided Color editing with diffusion model [23.519884152019642]
  画像編集タスクにはテキスト・ツー・イメージ(T2I)拡散モデルが採用されており、顕著な有効性を示している。 しかし, テキストプロンプトから, 物体のクロスアテンションマップと新たな色属性との衝突や注意漏れにより, テキスト誘導画像編集法では物体の色が変化しない可能性がある。 本稿では,物体の色を微調整や訓練を必要とせず,手軽で安定的で効果的な画像誘導手法を提案する。
  論文  参考訳（メタデータ） (2024-11-15T14:45:58Z)
• Paint Bucket Colorization Using Anime Character Color Design Sheets [72.66788521378864]
  ネットワークがセグメント間の関係を理解することができる包摂的マッチングを導入する。 ネットワークのトレーニングパイプラインは、カラー化と連続フレームカラー化の両方のパフォーマンスを著しく向上させる。 ネットワークのトレーニングをサポートするために、PaintBucket-Characterというユニークなデータセットを開発しました。
  論文  参考訳（メタデータ） (2024-10-25T09:33:27Z)
• Automatic Controllable Colorization via Imagination [55.489416987587305]
  本稿では,反復的な編集と修正が可能な自動色付けフレームワークを提案する。 グレースケール画像内のコンテンツを理解することにより、トレーニング済みの画像生成モデルを用いて、同じコンテンツを含む複数の画像を生成する。 これらの画像は、人間の専門家の過程を模倣して、色付けの参考となる。
  論文  参考訳（メタデータ） (2024-04-08T16:46:07Z)
• Learning Inclusion Matching for Animation Paint Bucket Colorization [76.4507878427755]
  ネットワークにセグメント間の包摂関係を理解するための,学習に基づく新たな包摂的マッチングパイプラインを導入する。 提案手法では,粗いカラーワープモジュールと包括的マッチングモジュールを統合した2段階のパイプラインを特徴とする。 ネットワークのトレーニングを容易にするため,PaintBucket-Characterと呼ばれるユニークなデータセットも開発した。
  論文  参考訳（メタデータ） (2024-03-27T08:32:48Z)
• BiSTNet: Semantic Image Prior Guided Bidirectional Temporal Feature Fusion for Deep Exemplar-based Video Colorization [70.14893481468525]
  本稿では,参照例の色を探索し,映像のカラー化を支援するために有効なBiSTNetを提案する。 まず、各フレームと参照例間の深い特徴空間における意味的対応を確立し、参照例からの色情報を探究する。 我々は,フレームのオブジェクト境界をモデル化するための意味情報を抽出する混合専門家ブロックを開発した。
  論文  参考訳（メタデータ） (2022-12-05T13:47:15Z)

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。