論文の概要: When Text-to-Image Helps Editing: The Effects of Conditioning During Denoising
- arxiv url: http://arxiv.org/abs/2610.01681v1
- Date: Thu, 01 Oct 2026 13:39:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:24.151247
- Title: When Text-to-Image Helps Editing: The Effects of Conditioning During Denoising
- Title（参考訳）: テキスト・トゥ・イメージが編集を助けるとき--デノナイジング時のコンディショニングの効果
- Abstract要約: 統一モデルは、命令ベースの画像編集とテキスト・トゥ・イメージ(T2I)生成の両方のために訓練される。
コンディショニングの効果は,編集段階や聴覚段階によって異なる。
- 参考スコア（独自算出の注目度）: 42.49842620609682
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unified models are trained for both instruction-based image editing and text-to-image (T2I) generation, but standard editing pipelines keep source-image conditioning throughout denoising. We ask whether editing can benefit from T2I, and study how the effects of conditioning vary across edits and denoising stages. In pure editing, source attention declines for some edits over the sampling trajectory. This observation led us to task switching, which lets the model draw on its T2I capabilities. Across three unified editors and four benchmarks, switching to the T2I task for bounded intervals improves edit quality, while mean perceptual preservation remains close to pure editing across all three models. Unified editors therefore benefit from using both conditioning modes they are trained for, and the timing of the switch sets the balance between quality and preservation.
- Abstract（参考訳）: 統一モデルは、命令ベースの画像編集とテキスト・トゥ・イメージ(T2I)生成の両方のために訓練されるが、標準的な編集パイプラインは、デノジングを通してソース・イメージの条件を保っている。
我々は、編集がT2Iの恩恵を受けるかどうかを問うとともに、条件付けの効果が編集や装飾の段階によってどのように異なるかを検討する。
純粋な編集では、サンプリング軌跡に対する編集のソースアテンションが低下する。
この観察の結果、タスクスイッチングが実現し、モデルがT2Iの能力を引き出すことができるようになりました。
3つの統合エディタと4つのベンチマークで、境界間隔でT2Iタスクに切り替えると、編集品質が向上する一方、平均的な知覚的保存は3つのモデルで純粋な編集に近づいたままである。
したがって、統一されたエディタは、トレーニングされた条件付けモードの両方を使用することの恩恵を受け、スイッチのタイミングは品質と保存のバランスを定める。
関連論文リスト
- DuET: Dual Expert Trajectories for Diffusion Image Editing [42.49842620609682]
我々は、ソースイメージの条件付けを一時的に緩和する訓練不要推論手法であるDuETを紹介する。
DuETは命令の関連性、セマンティックな忠実さ、そして様々なモデルやベンチマークにおける知覚品質を継続的に改善する。
論文 参考訳（メタデータ） (2026-06-11T12:58:48Z) - UIP2P: Unsupervised Instruction-based Image Editing via Edit Reversibility Constraint [87.20985852686785]
本研究では,教師なし指導に基づく画像編集手法を提案する。
本稿では,編集可逆性制約 (ERC) と呼ばれる新しい編集機構を導入することで,これらの課題に対処する。
これにより、地道に編集されたイメージの必要性を回避し、実際のイメージキャプチャペアまたはイメージキャプチャインストラクショントリプルからなるデータセットで、初めてトレーニングをアンロックすることが可能になります。
論文 参考訳（メタデータ） (2024-12-19T18:59:58Z) - Free-Editor: Zero-shot Text-driven 3D Scene Editing [8.966537479017951]
大規模なデータセットが不足しているため、3次元シーン編集に特化した拡散モデルを訓練することは困難である。
モデル再学習を必要とせずに3Dシーンを編集できる「textscFree-Editor」という新しい3Dシーン編集技術を紹介した。
本手法は,SOTA(State-of-the-art)手法におけるマルチビュースタイルの不整合の問題を効果的に解決する。
論文 参考訳（メタデータ） (2023-12-21T08:40:57Z) - Inversion-Free Image Editing with Natural Language [18.373145158518135]
InfEdit(Inversion-free editing)は、厳密な意味的変化と非厳密な意味的変化の両面において、一貫性と忠実な編集を可能にする。
InfEditは、様々な編集タスクで強力なパフォーマンスを示し、また、1つのA40で3秒以内のシームレスなワークフローを維持し、リアルタイムアプリケーションの可能性を示している。
論文 参考訳（メタデータ） (2023-12-07T18:58:27Z) - Editing 3D Scenes via Text Prompts without Retraining [80.57814031701744]
DN2Nはテキスト駆動編集方式であり、普遍的な編集機能を備えたNeRFモデルの直接取得を可能にする。
本手法では,2次元画像のテキストベース編集モデルを用いて3次元シーン画像の編集を行う。
本手法は,外観編集,天気変化,材質変化,スタイル伝達など,複数種類の編集を行う。
論文 参考訳（メタデータ） (2023-09-10T02:31:50Z) - StyleDiffusion: Prompt-Embedding Inversion for Text-Based Editing [115.49488548588305]
画像の編集のために、事前訓練された拡散モデルの驚くべき能力を活用することに重点が置かれている。
彼らはモデルを微調整するか、事前訓練されたモデルの潜在空間で画像を反転させる。
選択された地域に対する不満足な結果と、非選択された地域における予期せぬ変化の2つの問題に悩まされている。
論文 参考訳（メタデータ） (2023-03-28T00:16:45Z)
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。