論文の概要: ThinkDrag: Semantic Drag-Based Image Editing with Visual Reasoning
- arxiv url: http://arxiv.org/abs/2610.13316v1
- Date: Fri, 09 Oct 2026 09:58:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.51541
- Title: ThinkDrag: Semantic Drag-Based Image Editing with Visual Reasoning
- Title（参考訳）: ThinkDrag: ビジュアル推論によるセマンティックドラッグベースの画像編集
- Abstract要約: ThinkDragは、ビジュアル推論によるドラッグベースの画像編集のための統一されたフレームワークである。
我々は,ThinkDragが最先端の性能を達成し,競争力のある点追従精度を維持しつつ,生成品質と妥当性を向上させることを示す。
- 参考スコア（独自算出の注目度）: 32.70936420901429
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Drag-based image editing provides an intuitive interface for spatially controlled image manipulation by allowing users to specify handle and target points. Existing methods have made substantial progress through optimization-based, one-step, and feed-forward formulations, but they often interpret drag instructions as geometric displacements. This limits their effectiveness when the desired edit depends on interpreting image content and inferring a plausible semantic transformation from sparse point constraints. We introduce ThinkDrag, a unified multimodal framework for drag-based image editing with visual reasoning. ThinkDrag is trained to associate point constraints with meaningful object- and scene-level transformations, and can optionally produce an explicit reasoning trace that interprets the intended edit before image generation. This reasoning trace improves interpretability, particularly for ambiguous drags. Drag Endpoint Markers, motivated by an analysis of cross-image attention, provide an explicit correspondence signal that grounds each drag in image space. To support this framework, we construct a supervised dataset of semantic drag transformations paired with reasoning traces and introduce DragBench++, a benchmark targeting challenging drag-based editing scenarios with reference edit solutions. Experiments show that ThinkDrag achieves state-of-the-art performance, improving generation quality and plausibility while maintaining competitive point-following precision.
- Abstract（参考訳）: ドラッグベースの画像編集は、ユーザーがハンドルとターゲットポイントを指定できるようにすることで、空間的に制御された画像操作のための直感的なインタフェースを提供する。
既存の手法は最適化ベース、ワンステップ、フィードフォワードの定式化を通じて大幅に進歩してきたが、ドラッグ命令を幾何学的変位と解釈することが多い。
これにより、所望の編集が画像内容の解釈に依存し、スパースポイント制約から妥当なセマンティック変換を推測する場合の有効性が制限される。
本稿では,ドラッグベースの画像編集と視覚的推論を併用した統合マルチモーダルフレームワークThinkDragを紹介する。
ThinkDragは、ポイント制約と意味のあるオブジェクトおよびシーンレベルの変換を関連付けるように訓練されており、画像生成の前に意図した編集を解釈する明確な推論トレースを任意に生成することができる。
この推論トレースは、特にあいまいなドラッグに対して、解釈可能性を改善する。
Drag Endpoint Markersは、画像空間内の各ドラッグを接地する明示的な対応信号を提供する。
このフレームワークをサポートするために、推論トレースと組み合わせたセマンティックドラッグ変換の教師付きデータセットを構築し、参照編集ソリューションによるドラッグベースの編集シナリオの挑戦を目的としたベンチマークであるDragBench++を導入する。
実験により、ThinkDragは最先端の性能を達成し、競争力のある点追跡精度を維持しながら、生成品質と妥当性を改善した。
関連論文リスト
- Drag as Evidence: Motion-Grounded Latent Recomposition for Drag-Based Editing [42.176957681367185]
MoRe-Dragは、モーショングラウンドのドラッグベースの編集方法である。
DragBench-SRとDragBench-DRの実験により、MoRe-Dragは強力なベースエディタよりもドラッグ精度を大幅に向上することが示された。
論文 参考訳（メタデータ） (2026-09-29T05:25:38Z) - ContextDrag: Precise Drag-Based Image Editing via Context-Preserving Token Injection and Position-Consistent Attention [81.12932992203885]
ドラッグベースの編集のための新しいパラダイムであるContextDragを紹介します。
参照イメージからVAEエンコードされた機能を組み込むことで、ContextDragはリッチなコンテキストキューを活用し、きめ細かい詳細を保存することができる。
論文 参考訳（メタデータ） (2025-12-09T10:51:45Z) - TDEdit: A Unified Diffusion Framework for Text-Drag Guided Image Manipulation [51.72432192816058]
共同ドラッグテキスト画像編集のための拡散型統合フレームワークを提案する。
本フレームワークでは,(1)3次元特徴マッピングによる遅延空間レイアウト制御を向上するポイント・クラウド決定性ドラッグ,(2)ドラッグ・テキスト・ガイド・デノナイズ(Drag-Text Guided Denoising),(2)デノナイズ中のドラッグとテキスト条件の影響を動的にバランスするDrag-Text Guided Denoisingを導入している。
論文 参考訳（メタデータ） (2025-09-26T05:39:03Z) - LazyDrag: Enabling Stable Drag-Based Editing on Multi-Modal Diffusion Transformers via Explicit Correspondence [31.686266704795273]
マルチモーダル拡散変換器の最初のドラッグベースの画像編集手法であるLazyDragを紹介する。
LazyDragは暗黙の点マッチングへの依存を直接排除する。
テキストガイダンスと正確な幾何学的制御を統一し、以前は手に入らなかった複雑な編集を可能にする。
論文 参考訳（メタデータ） (2025-09-15T17:59:47Z) - FlowDrag: 3D-aware Drag-based Image Editing with Mesh-guided Deformation Vector Flow Fields [20.793887576117527]
幾何情報を利用してより正確でコヒーレントな変換を行うFlowDragを提案する。
提案手法は,ユーザ定義のドラッグポイントに基づくメッシュ変形を誘導するエネルギー関数を用いて,画像から3次元メッシュを構築する。
得られたメッシュの変位は2Dに投影され、UNetデノナイジングプロセスに組み込まれ、正確なハンド・ツー・ターゲットのポイントアライメントを可能にする。
論文 参考訳（メタデータ） (2025-07-11T03:18:52Z) - Concept Lancet: Image Editing with Compositional Representation Transplant [58.9421919837084]
Concept Lancetは、画像編集における原則的表現操作のためのゼロショットプラグイン・アンド・プレイフレームワークである。
本稿では,抽出された視覚概念の表現の疎線型結合として,潜時(テキスト埋め込み,拡散スコア)空間におけるソース入力を分解する。
我々は、対応する編集方向を強制するために、カスタマイズされた概念移植プロセスを実行する。
論文 参考訳（メタデータ） (2025-04-03T17:59:58Z) - DragonDiffusion: Enabling Drag-style Manipulation on Diffusion Models [66.43179841884098]
本研究では,DiffusionモデルにおけるDragスタイルの操作を可能にする新しい画像編集手法DragonDiffusionを提案する。
提案手法は,オブジェクト移動,オブジェクトのリサイズ,オブジェクトの外観置換,コンテンツドラッグングなど,生成された画像や実際の画像に対する様々な編集モードを実現する。
論文 参考訳（メタデータ） (2023-07-05T16:43:56Z) - Drag Your GAN: Interactive Point-based Manipulation on the Generative Image Manifold [79.94300820221996]
DragGANはGAN(Generative Adversarial Network)を制御する新しい方法である
DragGANを使えば、ピクセルの行き先を正確に制御して、動物、車、人間、風景などのさまざまなカテゴリのポーズ、形状、表現、レイアウトを操作することができる。
定性的かつ定量的な比較は、画像操作や点追跡のタスクにおいて、以前のアプローチよりもDragGANの利点を示している。
論文 参考訳（メタデータ） (2023-05-18T13:41:25Z)
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。