論文の概要: TripleFlow: Training-Free Video Object Removal by Bridging Residual Editing and Native Generation

• arxiv url: http://arxiv.org/abs/2609.39157v2
• Date: Mon, 05 Oct 2026 18:29:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.24045
• Title: TripleFlow: Training-Free Video Object Removal by Bridging Residual Editing and Native Generation
• Title（参考訳）: TripleFlow: 残留編集とネイティブジェネレーションによる学習不要ビデオオブジェクトの除去
• Abstract要約: TripleFlowは、消去と生成を密に結合する、トレーニング不要のフレームワークである。 単一のターゲット予測を再利用することにより、残留フローはオブジェクトを分離して抑制し、合成フローは隠蔽された背景を独立に再構築する。 この継続的フィードバックループは、生成された構造が削除プロセスを積極的にガイドし、シームレスな完了を達成することを保証します。
• 参考スコア（独自算出の注目度）: 5.043789191220185
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Video object removal presents a uniquely difficult editing challenge. Because a removal prompt specifies only what to erase rather than what to generate, the model must infer and reconstruct a highly specific occluded background entirely from the surrounding context. Existing training-free methods struggle with this because their editing mechanisms act primarily as localized erasers. They fail to actively synthesize the missing background details and often leave behind ghosting artifacts. To solve this, we propose TripleFlow, a training-free framework that tightly couples erasure and generation. It coordinates a source flow, a residual flow, and a synthesis flow throughout the entire process. By reusing a single target prediction, the residual flow isolates and suppresses the object, while the synthesis flow independently reconstructs the occluded background. Crucially, TripleFlow injects this newly synthesized background back into the editing trajectory at every step. This continuous feedback loop ensures that the generated structures actively guide the removal process, achieving seamless completion that is spatiotemporally consistent with the unedited scene. Extensive evaluations across five challenging benchmarks demonstrate that TripleFlow establishes a new state-of-the-art, significantly outperforming existing baselines in both reconstruction fidelity and temporal consistency.
• Abstract（参考訳）: ビデオオブジェクトの削除は、ユニークなほど難しい編集課題を提示します。 削除プロンプトは、生成するものではなく、何を消去するかのみを指定するので、モデルは、周囲のコンテキストから、非常に特定の隠蔽された背景を推論し、再構築する必要がある。 既存のトレーニング不要の方法は、編集機構が主にローカライズされた消去器として機能するため、これに苦労する。 彼らは、行方不明の背景の詳細を積極的に合成することができず、しばしばゴーストの遺物を残している。 この問題を解決するために,消去と生成を密に結合するトレーニング不要のフレームワークであるTripleFlowを提案する。 ソースフロー、残留フロー、およびプロセス全体を通して合成フローを調整します。 単一のターゲット予測を再利用することにより、残留フローはオブジェクトを分離して抑制し、合成フローは隠蔽された背景を独立に再構築する。 重要なことに、TripleFlowはこの新しく合成された背景をあらゆるステップで編集軌道に注入する。 この継続的フィードバックループは、生成された構造が削除プロセスを積極的に導くことを保証する。 5つの挑戦的なベンチマークの大規模な評価は、TripleFlowが新たな最先端を確立し、再構築の忠実さと時間的一貫性の両方において、既存のベースラインを大幅に上回っていることを示している。

関連論文リスト

• SteerFlow: Steering Rectified Flows for Faithful Inversion-Based Image Editing [9.343095346668665]
  SteerFlowはモデルに依存しない編集フレームワークで、ソースの忠実性に関する強力な理論的保証がある。 本稿では,ターゲット編集速度とソース再構成速度を適応的にブレンドして,編集軌道をソースに固定するトラジェクトリ補間法を提案する。 FLUX.1-devとStable Diffusion 3.5 Mediumの実験では、SteerFlowは既存の方法よりも優れた編集品質を実現している。
  論文  参考訳（メタデータ） (2026-04-02T07:26:13Z)
• SplitFlow: Flow Decomposition for Inversion-Free Text-to-Image Editing [15.234877788378563]
  整流流モデルは, 安定したサンプリング軌道と高忠実度出力により, 画像生成におけるデファクトスタンダードとなっている。 強力な生成能力にもかかわらず、画像編集タスクには限界がある。 近年の取り組みでは、ソースとターゲットの分布を直接ODEベースのアプローチでインバージョンせずにマッピングする試みが行われている。 本稿では,これらの制約に対応するために,インバージョンフリーな定式化に基づくフロー分解・集約フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-29T21:12:58Z)
• FlowCycle: Pursuing Cycle-Consistent Flows for Text-based Editing [12.424207508842192]
  本研究では,新しいインバージョンフリーかつフローベース編集フレームワークであるFlowCycleを提案する。 本研究では,FlowCycleが最先端手法よりも優れた編集品質と一貫性を実現することを示す。
  論文  参考訳（メタデータ） (2025-10-23T04:58:29Z)
• Stable Video Infinity: Infinite-Length Video Generation with Error Recycling [76.91310169118408]
  本研究では、高時間一貫性、可視的シーン遷移、制御可能なストリーミングストーリーラインを有する無限長ビデオを生成することができる安定ビデオインフィニティ(SVI)を提案する。 SVIにはError-Recycling Fine-Tuningが組み込まれており、これはDiffusion Transformerの自己生成エラーをスーパーバイザのプロンプトにリサイクルする、新しいタイプの効率的なトレーニングである。 我々は、一貫性、創造性、条件設定を含む3つのベンチマークでSVIを評価し、その汎用性と最先端の役割を徹底的に検証した。
  論文  参考訳（メタデータ） (2025-10-10T09:45:46Z)
• FlowAlign: Trajectory-Regularized, Inversion-Free Flow-based Image Editing [47.908940130654535]
  FlowAlignは、最適な制御ベースの軌道制御による一貫した画像編集のためのインバージョンフリーなフローベースフレームワークである。 我々の終点正規化は、編集プロンプトとのセマンティックアライメントのバランスと、軌道に沿ったソース画像との構造的整合性を示す。 FlowAlignは、ソース保存と編集の制御性の両方において、既存のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2025-05-29T06:33:16Z)
• OmniPaint: Mastering Object-Oriented Editing via Disentangled Insertion-Removal Inpainting [54.525583840585305]
  我々はオブジェクトの削除と挿入を相互依存プロセスとして再概念化する統合フレームワークであるOmniPaintを紹介した。 我々の新しいCFDメトリクスは、コンテキスト整合性とオブジェクト幻覚の堅牢で参照不要な評価を提供する。
  論文  参考訳（メタデータ） (2025-03-11T17:55:27Z)
• DeFlow: Learning Complex Image Degradations from Unpaired Data with Conditional Flows [145.83812019515818]
  本論文では,不対データから画像劣化を学習するDeFlowを提案する。 共有フローデコーダネットワークの潜在空間における劣化過程をモデル化する。 共同画像復元と超解像におけるDeFlowの定式化を検証した。
  論文  参考訳（メタデータ） (2021-01-14T18:58:01Z)

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。