論文の概要: UniSlider: Perceptually Uniform Sliders for Continuous Image Editing
- arxiv url: http://arxiv.org/abs/2610.06831v1
- Date: Mon, 05 Oct 2026 17:58:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 22:19:22.840135
- Title: UniSlider: Perceptually Uniform Sliders for Continuous Image Editing
- Title（参考訳）: UniSlider: 連続画像編集のための知覚的一様スライダ
- Abstract要約: 現在の生成的アプローチでは、スライダは単にメソッドの強度パラメータの再スケーリングである。
我々はスライダと強度を区別し,スライダ値と線形に成長するために入力から知覚距離を必要とする。
数ステップの編集バックボーンでトレーニングされた軽量なLoRAであるUniSliderを導入し、その強度がこの理想的なスライダを近似する。
- 参考スコア（独自算出の注目度）: 35.28195800751629
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sliders provide an intuitive interface for continuous image editing. In current generative approaches, however, the slider is simply a rescaling of the method's strength parameter, such as an adapter coefficient, a prompt weight, or an interpolation factor. This strength relates poorly to perceptual change. The image can partially revert as the slider moves, long stretches of the range produce no visible difference, and short intervals transform the image abruptly. Remapping the strength could fix this uneven pace, but only if the trajectory is monotone, which current methods do not enforce. We therefore distinguish the slider from the strength, and require perceptual distance from the input to grow linearly with the slider value. We introduce UniSlider, a lightweight LoRA trained on a few-step editing backbone so that its strength approximates this ideal slider. Few-step sampling lets us impose this objective in pixel space without intermediate ground truth, and the backbone's output is preserved at full strength. However, a low-rank adapter cannot make the strength fully uniform. Our slider is thus an inference-time remapping of the strength, obtained by adaptive sampling. Since training optmizes to make the trajectory monotone, this remapping closes the remaining gap without extra training or parameters. On a new benchmark of 300 continuous edits evaluating uniformity, monotonicity, edit fidelity, and identity preservation, UniSlider outperforms all prior methods and is preferred in a user study.
- Abstract（参考訳）: スライダは連続画像編集のための直感的なインターフェースを提供する。
しかし、現在の生成的アプローチでは、スライダは単に、アダプタ係数、プロンプトウェイト、補間係数などのメソッドの強度パラメータの再スケーリングである。
この強さは知覚の変化とあまり関係がない。
スライダが動くと画像が部分的に反転し、レンジの長いストレッチは目に見える差を生じず、短い間隔で画像が突然変換される。
強度を回復すればこの不均一なペースを解消できるが、軌道が単調であれば、現在の方法では強制されない。
そこで我々はスライダと強度を区別し,スライダ値と線形に成長するために入力から知覚距離を必要とする。
数ステップの編集バックボーンでトレーニングされた軽量なLoRAであるUniSliderを導入し、その強度がこの理想的なスライダを近似する。
少ないステップサンプリングにより、この目的を中間的な基底真理なしにピクセル空間に課すことができ、バックボーンの出力は全強度で保存される。
しかし、低ランクアダプタは強度を完全に均一にすることはできない。
このスライダはアダプティブサンプリングにより得られた強度の推測時間再マッピングである。
トレーニングは軌道単調を最適化するため、このリマッピングは余分なトレーニングやパラメータなしで残りのギャップを閉じる。
統一性、単調性、編集忠実性、アイデンティティの保存性を評価する300の連続的な編集のベンチマークでは、UniSliderは従来の方法よりも優れており、ユーザスタディで好まれる。
関連論文リスト
- FlowSlider: Training-Free Continuous Image Editing via Fidelity-Steering Decomposition [0.07646713951724009]
連続画像編集は、ソースイメージの忠実性を保ち、一貫した編集方向を維持しながら、スライダスタイルの編集強度の制御を提供することを目的としている。
本論文では,Rectified Flow で連続的な編集を行うためのトレーニング不要な textitFlowSlider を提案する。
論文 参考訳（メタデータ） (2026-04-02T14:16:06Z) - From Prompt to Progression: Taming Video Diffusion Models for Seamless Attribute Transition [57.809291244375345]
本研究では,スムーズかつ一貫した属性遷移に対する既存モデルの拡張をシンプルかつ効果的に行う手法を提案する。
提案手法は,初期属性フレームから最終属性フレームへの段階的なシフトをフレーム単位に導くことで,各雑音の遅延に対してデータ固有の遷移方向を構築する。
また、属性と動きのダイナミクスを統合した制御属性遷移ベンチマーク(CAT-Bench)を提案する。
論文 参考訳（メタデータ） (2025-09-24T01:58:22Z) - Text Slider: Efficient and Plug-and-Play Continuous Concept Control for Image/Video Synthesis via LoRA Adapters [13.392855357208811]
Text Sliderは、視覚概念を継続的に制御するための軽量で効率的でプラグアンドプレイのフレームワークである。
事前訓練されたテキストエンコーダ内の低ランク方向を識別し、視覚概念の連続的な制御を可能にする。
マルチコンセプト合成と連続制御をサポートし、画像合成とビデオ合成の両方において微細で柔軟な操作を可能にする。
論文 参考訳（メタデータ） (2025-09-23T09:17:18Z) - All-in-One Slider for Attribute Manipulation in Diffusion Models [13.362768653792097]
テキスト埋め込み空間をスパースで意味のある属性方向に分解する軽量モジュールであるAll-in-One Sliderを紹介する。
学習した方向を再結合することで、All-in-One Sliderは目に見えない属性のゼロショット操作をサポートする。
提案手法は,実画像の属性操作を行うために,インバージョンフレームワークと統合するために拡張することができる。
論文 参考訳（メタデータ） (2025-08-26T16:56:30Z) - Concept Sliders: LoRA Adaptors for Precise Control in Diffusion Models [52.894213114914805]
拡散モデルから画像生成における属性を正確に制御できる解釈可能な概念スライダを作成する手法を提案する。
スライダは、プロンプトやサンプル画像の小さなセットを使用して作成される。
本手法は、物体の変形の修復や変形した手の固定など、安定XL拡散における持続的品質問題に対処するのに役立つ。
論文 参考訳（メタデータ） (2023-11-20T18:59:01Z) - Overparameterization Improves StyleGAN Inversion [66.8300251627992]
既存の反転アプローチは、有望だが不完全な結果が得られる。
これにより、エンコーダを必要とせずに、ほぼ完璧な画像再構成が得られることを示す。
われわれのアプローチは、画像間の現実的な補間による編集可能性も維持する。
論文 参考訳（メタデータ） (2022-05-12T18:42:43Z) - Powers of layers for image-to-image translation [60.5529622990682]
本稿では,未ペア画像から画像への変換タスクに対処するシンプルなアーキテクチャを提案する。
固定重み付きイメージオートエンコーダアーキテクチャから始める。
各タスクに対して、潜在空間で動作している残留ブロックを学習し、ターゲット領域に到達するまで繰り返し呼び出される。
論文 参考訳（メタデータ） (2020-08-13T09:02:17Z)
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。