論文の概要: VibeEdit: Image Editing with Canvas Instructions

• arxiv url: http://arxiv.org/abs/2610.12229v1
• Date: Thu, 08 Oct 2026 16:15:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.153986
• Title: VibeEdit: Image Editing with Canvas Instructions
• Title（参考訳）: VibeEdit:Canvasインストラクションによるイメージ編集
• Abstract要約: 画像に空間マークやオプションのショートノートを直接配置できる新しい画像編集インタフェースを導入する。 これらのアノテーションは、編集する場所と変更する場所を指定するcanvas命令を形成する。 私たちのエディタであるVibeEditは、これらの命令に従って、別々のテキストプロンプトなしでオブジェクトの追加、削除、置換、修正、移動を行います。
• 参考スコア（独自算出の注目度）: 69.07325645498537
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In text-guided image editing, describing the desired change is often straightforward, but identifying the intended object or region can be cumbersome, especially when several objects look alike. We introduce a new image editing interface that lets users place spatial marks and optional short notes directly on the image. Together, these annotations form a canvas instruction that specifies where to edit and what to change. Our editor, VibeEdit, follows these instructions to perform object addition, removal, replacement, attribute modification, and movement without a separate text prompt. We construct 1.55 million source-target edit pairs with object masks and structured edit descriptions, from which we render canvas instructions during training. We adapt Qwen-Image-Edit with layer-decoupled conditioning that separately encodes source images and canvas instructions for image editing. We train the model with region-weighted supervised fine-tuning, followed by rubric-guided reinforcement learning to improve edit completion, local edit quality, and preservation of unedited regions. We evaluate VibeEdit on an independently constructed, human-curated benchmark of 419 cases emphasizing target selection among similar objects. VibeEdit achieves a VLM rubric score of 79.9 and an outside-region PSNR of 32.8 dB, compared with 67.4 and 24.0 dB for FireRed, the highest-scoring text-instructed baseline in our evaluation.
• Abstract（参考訳）: テキスト誘導画像編集では、望まれる変更を記述することはしばしば簡単であるが、意図したオブジェクトや領域を特定することは、特にいくつかのオブジェクトが類似している場合、煩雑である。 画像に空間マークやオプションのショートノートを直接配置できる新しい画像編集インタフェースを導入する。 これらのアノテーションは、編集する場所と変更する場所を指定するcanvas命令を形成する。 私たちのエディタであるVibeEditは、オブジェクトの追加、削除、置換、属性修正、ムーブメントを別々のテキストプロンプトなしで実行するためのこれらの命令に従っています。 我々は、オブジェクトマスクと構造化された編集記述を備えた155万のソースターゲット編集ペアを構築し、トレーニング中にキャンバス命令を描画する。 我々はQwen-Image-Editにレイヤ分離条件を適用し、ソース画像とcanvas命令を別々にエンコードして画像編集を行う。 本モデルでは,非編集領域の編集完了,局所的な編集品質,保存性を改善するために,教師付き微調整,次いでルーリック誘導強化学習を用いてモデルを訓練する。 類似オブジェクトのターゲット選択を重視した419のケースを対象とした、独立に構築された人為的なベンチマークで、VibeEditを評価する。 VibeEdit は VLM rubric score 79.9 と外域 PSNR 32.8 dB を,FireRed では 67.4 と 24.0 dB に対して達成した。

関連論文リスト

• An Item is Worth a Prompt: Versatile Image Editing with Disentangled Control [21.624984690721842]
  D-Editは、包括的な画像-プロンプトインタラクションをいくつかのアイテム-プロンプトインタラクションに切り離すためのフレームワークである。 クロスアテンション層が歪んだ事前学習拡散モデルに基づいており、アイテム・プロンプト・アソシエーションを構築するために2段階の最適化を採用している。 画像ベース,テキストベース,マスクベースの編集,アイテム削除を含む4種類の編集作業において,最先端の結果を示す。
  論文  参考訳（メタデータ） (2024-03-07T20:06:29Z)
• ZONE: Zero-Shot Instruction-Guided Local Editing [56.56213730578504]
  ゼロショットインストラクションを用いた局所画像編集手法ZONEを提案する。 InstructPix2Pixを通してユーザが提供する命令から特定の画像編集領域に変換する。 次に,オフザシェルフセグメントモデルから正確な画像層抽出を行う領域IoU方式を提案する。
  論文  参考訳（メタデータ） (2023-12-28T02:54:34Z)
• 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)
• Visual Instruction Inversion: Image Editing via Visual Prompting [34.96778567507126]
  本稿では,視覚的プロンプトによる画像編集手法を提案する。 テキストと画像の拡散モデルのリッチで事前訓練された編集機能を利用して、視覚的なプロンプトを編集命令に反転させる。
  論文  参考訳（メタデータ） (2023-07-26T17:50:10Z)
• Imagen Editor and EditBench: Advancing and Evaluating Text-Guided Image Inpainting [53.708523312636096]
  本稿では,テキスト誘導画像のインペイントを微調整し,カスケード拡散モデルであるImagen Editorを提案する。 編集はテキストプロンプトに忠実で、オブジェクト検出器を使用してトレーニング中に塗装マスクを提案する。 質的,定量的な評価を改善するために,テキスト誘導画像の塗り絵の体系的ベンチマークであるEditBenchを導入する。
  論文  参考訳（メタデータ） (2022-12-13T21:25:11Z)
• EditGAN: High-Precision Semantic Image Editing [120.49401527771067]
  EditGANは高品質で高精度なセマンティック画像編集のための新しい手法である。 EditGANは前例のない細部と自由度で画像を操作可能であることを示す。 また、複数の編集を組み合わせることも簡単で、EditGANのトレーニングデータ以外の編集も可能になります。
  論文  参考訳（メタデータ） (2021-11-04T22:36:33Z)

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。