論文の概要: FlowTool: Controlling Tool Parameter in Image Retouching via Flow Matching

• arxiv url: http://arxiv.org/abs/2609.35673v1
• Date: Mon, 28 Sep 2026 17:28:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 19:46:46.568245
• Title: FlowTool: Controlling Tool Parameter in Image Retouching via Flow Matching
• Title（参考訳）: FlowTool:フローマッチングによる画像修正におけるツールパラメータ制御
• Abstract要約: FlowToolは、入力イメージとユーザインストラクションに基づいて、高品質なツールパラメータの分散をモデル化するフレームワークである。 FlowToolを2段階の教師付きフローマッチングカリキュラムでトレーニングし、その後に報酬ベースのポストトレーニングを実施します。
• 参考スコア（独自算出の注目度）: 59.4175747913275
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tool-based image editing (image retouching) is commonly formulated with autoregressive multimodal large language models (MLLMs) that sequentially generate reasoning, tool selections, and parameter values. In this work, we present a novel approach to tool-based image editing by framing the task as a flow matching problem. We introduce FlowTool, a framework that directly models the distribution of high-quality tool parameters conditioned on the input image and user instruction using conditional rectified flow. FlowTool combines a vision-language model backbone for multimodal understanding with a Diffusion Transformer parameter generator that transforms Gaussian noise into an editing plan. We train FlowTool with a two-stage supervised flow-matching curriculum, followed by reward-based post-training. Across MMArt-Bench, FlowTool-Eval, ArtEdit-Bench, and MIT-Adobe5K, FlowTool achieves significantly stronger reference-based performance than specialized MLLM editing agents and proprietary MLLMs, while remaining competitive with proprietary models under reference-free evaluation. Moreover, FlowTool significantly improves inference efficiency, reducing latency by at least $50\times$ while requiring nearly $2\times$ less memory than the compared baselines. These results demonstrate that tool-based image editing can be effectively modeled as conditional generation over structured continuous editing parameters, without autoregressive reasoning.
• Abstract（参考訳）: ツールベースの画像編集(画像リタッチ)は通常、推論、ツールの選択、パラメータ値を逐次生成する自動回帰型マルチモーダル言語モデル(MLLM)で定式化される。 本研究では,タスクをフローマッチング問題としてフレーミングすることで,ツールベースの画像編集に新たなアプローチを提案する。 FlowToolは,入力画像に条件付された高品質ツールパラメータの分布を直接モデル化し,条件付き修正フローを用いたユーザ指導を行うフレームワークである。 FlowToolは、多モーダル理解のための視覚言語モデルバックボーンと、ガウスノイズを編集計画に変換するDiffusion Transformerパラメータジェネレータを組み合わせる。 FlowToolを2段階の教師付きフローマッチングカリキュラムでトレーニングし、その後に報酬ベースのポストトレーニングを実施します。 MMArt-Bench、FlowTool-Eval、ArtEdit-Bench、MIT-Adobe5Kの他、FlowToolは特別なMLLM編集エージェントやプロプライエタリMLLMよりもはるかに強力な参照ベースのパフォーマンスを実現している。 さらに、FlowToolは推論効率を大幅に改善し、レイテンシを少なくとも50\times$に削減すると同時に、比較したベースラインよりも約2\times$少ないメモリを必要とする。 これらの結果から,ツールベースの画像編集は,自己回帰的推論を伴わずに,構造化された連続編集パラメータよりも条件生成として効果的にモデル化できることが示唆された。

関連論文リスト

• IMAGAgent: Orchestrating Multi-Turn Image Editing via Constraint-Aware Planning and Reflection [40.21337735524356]
  IMAGAgentは、"plan-execute-reflect"クローズドループメカニズムに基づいたマルチターン画像編集エージェントフレームワークである。 命令解析、ツールスケジューリング、および統一パイプライン内の適応補正の深いシナジーを実現する。 構築した textbfMTEditBench と MagicBrush データセットによる実験により,IMAGAgent が既存の手法よりもはるかに優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-02-12T02:37:38Z)
• FlowSteer: Conditioning Flow Field for Consistent Image Restoration [29.10704687691786]
  フローベーステキスト・トゥ・イメージ(T2I)モデルは、プロンプト駆動画像生成において優れるが、画像復元(IR)に重きを置いている。 本稿では,サンプリング経路に沿って測定先を注入する演算子対応コンディショニングスキームであるFlowSteer(FS)を紹介する。 FSは、厳密なゼロショット設定なしのリトレーニングされたモデルで、アダプタなしで測定一貫性とアイデンティティの保存を改善する。
  論文  参考訳（メタデータ） (2025-12-09T00:09:21Z)
• Uniworld-V2: Reinforce Image Editing with Diffusion Negative-aware Finetuning and MLLM Implicit Feedback [41.41713036839503]
  本稿では,ポリシー最適化に基づく命令ベースの画像編集のための新しいポストトレーニングフレームワークであるEdit-R1を紹介する。 我々は,Multimodal Large Language Model (MLLM) を統一学習自由報酬モデルとして採用し,その出力ロジットを活用し,きめ細かいフィードバックを提供する。 私たちのフレームワークはモデルに依存しないため、多様なベースモデルに適用した場合、大幅なパフォーマンス向上が得られます。
  論文  参考訳（メタデータ） (2025-10-19T15:38:06Z)
• Stable Flow: Vital Layers for Training-Free Image Editing [74.52248787189302]
  拡散モデルはコンテンツ合成と編集の分野に革命をもたらした。 最近のモデルでは、従来のUNetアーキテクチャをDiffusion Transformer (DiT)に置き換えている。 画像形成に欠かせないDiT内の「硝子層」を自動同定する手法を提案する。 次に、実画像編集を可能にするために、フローモデルのための改良された画像反転手法を提案する。
  論文  参考訳（メタデータ） (2024-11-21T18:59:51Z)
• Taming Rectified Flow for Inversion and Editing [57.3742655030493]
  FLUXやOpenSoraのような定流拡散変換器は、画像生成やビデオ生成の分野で優れた性能を発揮している。 その堅牢な生成能力にもかかわらず、これらのモデルは不正確さに悩まされることが多い。 本研究では,修正流の逆流過程における誤差を軽減し,インバージョン精度を効果的に向上する訓練自由サンプリング器RF-rを提案する。
  論文  参考訳（メタデータ） (2024-11-07T14:29:02Z)
• Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
  その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。 特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
  論文  参考訳（メタデータ） (2023-11-22T15:07:59Z)

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。