論文の概要: Scalable Minimal-Change Learning for Controllable Image Editing

• arxiv url: http://arxiv.org/abs/2610.06021v1
• Date: Mon, 05 Oct 2026 09:18:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 19:22:58.729854
• Title: Scalable Minimal-Change Learning for Controllable Image Editing
• Title（参考訳）: 可制御画像編集のためのスケーラブルな最小切替学習
• Abstract要約: 画像編集は、他のものをすべて保存しながら、命令によって指定された属性だけを変更するべきである。 我々は、この最小変化原理を命令ベースの編集の最適化目的として扱う。 エージェントビジョン言語報酬モデルでは、ソース画像、命令、編集された画像を2つの障害タイプで監査する。 FLUX.1 Kontext-devでは、ARROは平均EditScoreをMinEval、MagicBrush、AnyBench、Emu-Editの5.21から5.88に引き上げている。
• 参考スコア（独自算出の注目度）: 83.94093358607684
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image editing should change only the attributes specified by an instruction while preserving everything else, yet current methods often make unintended changes. We treat this minimal-change principle as an optimization objective for instruction-based editing. Latent L1 regularization is a poor proxy for output locality in modern nonlinear generators and often requires supervision unavailable at scale. We instead optimize edit outcomes with reinforcement learning. An agentic vision-language reward model audits each source image, instruction, and edited image for two failure types: unimplemented requested changes and unintended changes. A group-level rubric merges and verifies these issues to provide consistent rewards across candidate edits without per-instruction human annotations. On FLUX.1 Kontext-dev, ARRO raises average EditScore from 5.21 to 5.88 across MinEval, MagicBrush, AnyBench, and Emu-Edit. On 600 evaluation examples, it reduces off-target pixel change by 8.4% relative to the base editor. Reward and SFT controls, blinded human evaluations, and transfer to OmniGen2 provide complementary evidence. Code: https://github.com/Showwwwwwwww/ARRO
• Abstract（参考訳）: イメージ編集は、命令によって指定された属性だけを変更して、他のものはすべて保存するが、現在のメソッドは意図しない変更を行うことが多い。 我々は、この最小変化原理を命令ベースの編集の最適化目的として扱う。 ラテントL1正則化は、現代の非線形発生器における出力ローカリティの粗悪なプロキシであり、しばしば大規模に利用できない監督を必要とする。 代わりに、強化学習による編集結果を最適化します。 エージェントビジョン言語報酬モデルでは、各ソースイメージ、命令、編集されたイメージを2つの障害タイプ(未実装の要求された変更と意図しない変更)で監査する。 グループレベルのルーブリックは、これらの問題をマージして検証し、命令ごとの人間のアノテーションなしで、候補編集に一貫した報酬を提供する。 FLUX.1について Kontext-dev, ARROは平均EditScoreをMinEval、MagicBrush、AnyBench、Emu-Editで5.21から5.88に引き上げている。 600の評価例では、ベースエディタと比較して、ターゲット外のピクセル変更を8.4%削減する。 Reward and SFT Control, blinded human evaluation, and transfer to OmniGen2は補完的な証拠を提供する。 コード:https://github.com/Showwwwwwwww/ARRO

関連論文リスト

• When Models Edit Too Much: On the Fidelity of Minimal Code Edits [21.17848461238914]
  大きな言語モデル(LLM)は、既存のコードの編集にますます使われていますが、正確性だけでは不十分です。 オーバーエジット(over-editing) — バグ修正に必要なものを超えて,モデルがコードを書き直す傾向があること。 我々は,制御されたASTレベルの汚職を参照ソリューションに注入することにより,400のBigCodeBench問題から評価フレームワークを構築した。
  論文  参考訳（メタデータ） (2026-09-03T16:36:05Z)
• Leveraging Verifier-Based Reinforcement Learning in Image Editing [41.64251379221566]
  本稿では,下流画像編集のための階層検証型推論報酬モデル(RRM)を構築するフレームワークであるEdit-R1を紹介する。 我々の実験は、編集固有の報酬モデルとして強力なVLMを超越していることを示した。
  論文  参考訳（メタデータ） (2026-04-30T06:54:39Z)
• Visual Autoregressive Modeling for Instruction-Guided Image Editing [97.04821896251681]
  画像編集を次世代の予測問題として再編成する視覚的自己回帰フレームワークを提案する。 VarEditは、正確な編集を実現するために、マルチスケールのターゲット機能を生成する。 1.2秒で512times512$編集を完了し、同じサイズのUltraEditよりも2.2$times$高速になった。
  論文  参考訳（メタデータ） (2025-08-21T17:59:32Z)
• 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)
• EditVal: Benchmarking Diffusion Based Text-Guided Image Editing Methods [52.43439659492655]
  本稿では,テキスト誘導画像編集手法を定量的に評価するための標準ベンチマークであるEditValを紹介する。 EditValは、画像のキュレートされたデータセットと、13の可能な編集タイプから抽出された各画像に対する編集可能な属性セットと、自動評価パイプラインで構成されている。 我々はEditValを用いて、SINE、Imagic、Instruct-Pix2Pixを含む8つの最先端拡散ベースの編集手法をベンチマークする。
  論文  参考訳（メタデータ） (2023-10-03T20:46:10Z)
• Forgedit: Text Guided Image Editing via Learning and Forgetting [17.26772361532044]
  我々は Forgedit という新しいテキスト誘導画像編集手法を設計する。 まず,30秒で元の画像を再構成できる視覚言語共同最適化フレームワークを提案する。 次に,拡散モデルのテキスト埋め込み空間におけるベクトル投影機構を提案する。
  論文  参考訳（メタデータ） (2023-09-19T12:05:26Z)
• Learning by Planning: Language-Guided Global Image Editing [53.72807421111136]
  あいまいな編集言語要求を一連の編集操作にマッピングするテキスト・ツー・オペレーティング・モデルを開発した。 タスクの唯一の監督はターゲットイメージであり、シーケンシャルな決定の安定したトレーニングには不十分である。 本研究では,対象画像から可能な編集シーケンスを疑似基底真理として生成する,新たな操作計画アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-24T16:30:03Z)

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。