論文の概要: PrefLUT: Reusable and Refinable Personalized Color Editing from Pairwise Preferences

• arxiv url: http://arxiv.org/abs/2609.34133v1
• Date: Mon, 28 Sep 2026 02:14:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 06:41:21.648534
• Title: PrefLUT: Reusable and Refinable Personalized Color Editing from Pairwise Preferences
• Title（参考訳）: PrefLUT: パーソナライズ可能なカラー編集機能
• Abstract要約: PrefLUTは、再利用可能な3D LUTのための再利用可能なユーザー参照モデリングフレームワークである。 クエリコンディション付きLUT予測器は、このプロファイルを各画像と組み合わせて、LUT潜時ベクトルと編集強度を予測する。 3つのデータセットの実験では、効率的なパーソナライズされた編集と汎用的な拡張が示されている。
• 参考スコア（独自算出の注目度）: 6.634817164930351
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Photographic color editing is inherently personal: the same image can appear too warm, too muted, or already satisfactory to different users. Most lookup table (LUT) and reference-guided methods target a specified appearance rather than model persistent preferences from repeated user choices. To address this gap, we introduce PrefLUT, a reusable and refinable user-preference modeling framework for deployable 3D LUTs, encoding ordered preferred/non-preferred image pairs into a lightweight Reusable User Profile that is reused across queries and refined using additional user preference pairs, without per-user optimization. A Query-Conditioned LUT Predictor combines this profile with each image to predict a LUT latent vector and edit strength. An Identity-Residual LUT Decoder and Edit-Strength Controller then produce an exportable 3D LUT. Experiments on three datasets demonstrate effective personalized editing and general-purpose enhancement. Each quantized profile requires only 260 bytes, and editing takes 1.365 ms/image on an RTX 5090 GPU. We also introduce the Preference-Conditioning Verification Protocol (PCVP), an evaluation protocol to verify whether personalized image edits depend on user preferences and the query image through controlled changes to user profiles, preference orders, pair correspondences, and query images.
• Abstract（参考訳）: 写真カラー編集は本質的に個人的であり、同じ画像は暖かすぎるか、ミュートすぎるか、すでに異なるユーザーに満足しているように見える。 ほとんどのルックアップテーブル(LUT)と参照誘導メソッドは、繰り返しユーザー選択から永続的な好みをモデル化するのではなく、特定の外観をターゲットとしている。 このギャップに対処するために、我々はPrefLUTを紹介した。PrefLUTは3D LUTをデプロイ可能な再利用可能なユーザ参照モデリングフレームワークで、順序付き/非推奨のイメージペアを軽量なReusable User Profileにエンコードする。 Query-Conditioned LUT Predictorは、このプロファイルを各画像と組み合わせて、LUT潜伏ベクトルと編集強度を予測する。 ID-Residual LUT デコーダとEdit-Strength Controllerはエクスポート可能な3D LUTを生成する。 3つのデータセットの実験では、効率的なパーソナライズされた編集と汎用的な拡張が示されている。 それぞれの量子化プロファイルは260バイトしか必要とせず、編集にはRTX 5090 GPUで1.365ms/imageが必要である。 また,PCVP (Preference-Conditioning Verification Protocol) も導入し,ユーザプロファイル,嗜好順序,ペア対応,クエリイメージの制御された変更を通じて,パーソナライズされた画像編集がユーザの好みやクエリイメージに依存するかどうかを検証する。

関連論文リスト

• Premier: Personalized Preference Modulation with Learnable User Embedding in Text-to-Image Generation [67.23759365022279]
  パーソナライズされた画像生成のための新しい嗜好調整フレームワークであるPremierを提案する。 Premierは、各ユーザの好みを学習可能な埋め込みとして表現し、テキストプロンプトに埋め込まれたユーザを融合させる好みアダプタを導入する。 実験により、Premierは、同じ履歴長で以前の方法より優れていることが示された。
  論文  参考訳（メタデータ） (2026-03-21T09:19:12Z)
• Personalized Image Editing in Text-to-Image Diffusion Models via Collaborative Direct Preference Optimization [11.306247975771013]
  C-DPO(Collaborative Preference Optimization)は、画像編集とユーザの好みを一致させる新しい手法である。 提案手法では,各ユーザを動的嗜好グラフのノードとして符号化し,軽量なグラフニューラルネットワークを用いて埋め込みを学習する。 本手法は,ユーザの好みに合わせた編集生成において,ベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2025-11-06T18:59:54Z)
• Inference-Time Personalized Alignment with a Few User Preference Queries [24.28598841525897]
  生成モデルの応答とユーザの好みを一致させる問題について検討する。 提案するUserAlignは,複数クエリによるユーザの好みを,ペアの応答比較として提案する。
  論文  参考訳（メタデータ） (2025-11-04T20:07:03Z)
• PreferThinker: Reasoning-based Personalized Image Preference Assessment [83.66114370585976]
  推論に基づくパーソナライズされた画像嗜好評価フレームワークを提案する。 まず、ユーザーの好みプロファイルを参照画像から予測する。 次に、解釈可能で多次元のスコアと候補画像の評価を提供する。
  論文  参考訳（メタデータ） (2025-11-01T16:19:51Z)
• ImageGem: In-the-wild Generative Image Interaction Dataset for Generative Model Personalization [11.7261367003714]
  ImageGemは、きめ細かい個々の好みを理解する生成モデルを研究するためのデータセットである。 われわれのデータセットには57Kユーザによる実世界のインタラクションデータが含まれており、242KのカスタマイズされたLoRA、3Mのテキストプロンプト、5Mの生成された画像がまとめられている。
  論文  参考訳（メタデータ） (2025-10-21T09:08:01Z)
• Real-time 3D-aware Portrait Editing from a Single Image [111.27169315556444]
  3DPEは、参照画像やテキスト記述など、与えられたプロンプトに従って顔画像を編集することができる。 軽量モジュールは、3Dポートレートジェネレータとテキスト・ツー・イメージ・モデルから蒸留される。
  論文  参考訳（メタデータ） (2024-02-21T18:36:26Z)
• Custom-Edit: Text-Guided Image Editing with Customized Diffusion Models [26.92450293675906]
  テキスト間拡散モデルでは、ユーザが提供するテキストプロンプトに基づいて、多種多様な高忠実な画像を生成することができる。 カスタム編集を提案し、(i)いくつかの参照画像で拡散モデルをカスタマイズし、(ii)テキスト誘導編集を行う。
  論文  参考訳（メタデータ） (2023-05-25T06:46:28Z)
• 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。