論文の概要: Constrained Edit Fields for Training-Free Flow Editing

• arxiv url: http://arxiv.org/abs/2609.33735v1
• Date: Sun, 27 Sep 2026 16:37:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 17:13:33.18916
• Title: Constrained Edit Fields for Training-Free Flow Editing
• Title（参考訳）: 学習自由フロー編集のための制約付き編集フィールド
• Abstract要約: 本研究では,各空間位置の連続的な編集責任を割り当てる制約付き編集フィールド(CEF)を提案する。 CEFは、関連するコンテンツが存在する場合、ソースイメージから直接編集責任を推定する。 ベース編集フィールドをプロンプト誘起およびトラジェクトリ誘発のコンポーネントに分解し、編集責任が命令関連更新を保存する。
• 参考スコア（独自算出の注目度）: 20.17676871184835
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-guided image editing aims to perform a desired edit while preserving source content unrelated to it. Pretrained rectified-flow models enable training-free editing of real images through modifications to their sampling trajectories. However, responses at locations unrelated to the desired edit can still accumulate along the editing trajectory and become visible in the final result. To overcome this, we propose Constrained Edit Fields (CEF), which assigns each spatial location a continuous edit responsibility that quantifies its relevance to the desired edit. CEF estimates edit responsibility directly from the source image when the relevant content is present. For edits whose target content is absent from the source, CEF first generates an unconstrained proposal to reveal its realized spatial support and then estimates responsibility from that proposal. At each editing step, CEF decomposes the base edit field into prompt-induced and trajectory-induced components, enabling edit responsibility to preserve instruction-relevant updates while suppressing unintended trajectory-induced changes. Evaluated on all 700 PIE-Bench examples, CEF achieves state-of-the-art Structure Distance, background LPIPS, and background MSE with both Stable Diffusion 3.5 Medium and FLUX, while retaining competitive instruction alignment. On Stable Diffusion 3.5 Medium, it reduces these metrics over the previous best results by 10.2%, 21.2%, and 48.0%, respectively.
• Abstract（参考訳）: テキスト誘導画像編集は、それとは無関係なソースコンテンツを保存しながら、所望の編集を行うことを目的としている。 事前トレーニングされた修正フローモデルにより、サンプリングトラジェクトリの変更を通じて、実際の画像のトレーニング不要な編集が可能になる。 しかし、所望の編集とは無関係な場所での応答は編集軌跡に沿って蓄積し、最終的な結果で見えるようになる。 これを解決するために,各空間位置の連続的な編集責任を割り当て,所望の編集との関係を定量化するConstrained Edit Fields (CEF)を提案する。 CEFは、関連するコンテンツが存在する場合、ソースイメージから直接編集責任を推定する。 ソースからターゲットコンテンツが欠落している編集のために、CEFはまず、その実現した空間的サポートを明らかにするために制約のない提案を生成し、その提案から責任を見積もる。 編集ステップ毎に、CEFは、ベース編集フィールドをプロンプト誘発およびトラジェクトリ誘発のコンポーネントに分解し、意図しないトラジェクトリ誘発の変化を抑制しながら、命令関連更新を保存する編集責任を可能にする。 CEFは700のPIE-Benchの例で評価され、最先端のStructure Distance、バックグラウンドLPIPS、バックグラウンドMSEを安定拡散3.5MediumとFLUXの両方で達成し、競合的な命令アライメントを維持している。 安定拡散3.5媒体では、これらの指標を前回の最高値よりも10.2%、21.2%、48.0%減らす。

関連論文リスト

• Refinement Is Inherently Editable: Training-Free Prompt-to-Prompt Image Editing with Generative Refinement Network [26.99661614820174]
  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。 PSNR、LPIPS、MSE、SSIMで最高のバックグラウンド保存スコアと、最も高い全画像と編集済みのCLIPスコアを達成している。
  論文  参考訳（メタデータ） (2026-09-17T16:19:28Z)
• When Recovery Matters: The Blind Spot of Surrogate Privacy in MLLM Editing [61.80513991207956]
  我々は、36のきめ細かいプライバシーカテゴリと65の編集手順をカバーする最初のリカバリ指向ベンチマークであるSPPE(Surrogate-based Privacy-Preserving Editing)を紹介する。 編集性評価のために、ERMAはSRCCで13.9%、PLCCで12.3%向上した。 SPPEとInstructPix2Pixの実験では、両方のタスクが一貫した改善が見られた。
  論文  参考訳（メタデータ） (2026-06-05T11:40:03Z)
• 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)
• ProEdit: Inversion-based Editing From Prompts Done Right [63.554692704101]
  インバージョンベースのビジュアル編集は、ユーザ指示に基づいて画像やビデオを編集するための効果的でトレーニングのない方法を提供する。 既存の方法は、通常、編集一貫性を維持するためにサンプリングプロセス中にソースイメージ情報を注入する。 注意点と潜伏点の両方においてこの問題に対処するProEditを提案する。
  論文  参考訳（メタデータ） (2025-12-26T18:59:14Z)
• 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)
• Kontinuous Kontext: Continuous Strength Control for Instruction-based Image Editing [76.44219733285898]
  Kontinuous Kontext は命令駆動の編集モデルであり、編集強度を制御できる新しい次元を提供する。 軽量プロジェクタネットワークは、入力スカラーと編集命令をモデルの変調空間の係数にマッピングする。 本モデルのトレーニングには,既存の生成モデルを用いて,画像編集・指導・強化四重項の多種多様なデータセットを合成する。
  論文  参考訳（メタデータ） (2025-10-09T17:51:03Z)
• Customize your NeRF: Adaptive Source Driven 3D Scene Editing via Local-Global Iterative Training [61.984277261016146]
  テキスト記述や参照画像を編集プロンプトとして統合するCustomNeRFモデルを提案する。 最初の課題に取り組むために,前景領域編集とフルイメージ編集を交互に行うローカル・グローバル反復編集(LGIE)トレーニング手法を提案する。 第2の課題として、生成モデル内のクラス事前を利用して、一貫性の問題を緩和するクラス誘導正規化を設計する。
  論文  参考訳（メタデータ） (2023-12-04T06:25:06Z)
• 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)

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。