論文の概要: LensErase: A Foundation Model for Erase Anything

• arxiv url: http://arxiv.org/abs/2610.18072v1
• Date: Tue, 13 Oct 2026 09:56:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 07:30:08.065941
• Title: LensErase: A Foundation Model for Erase Anything
• Title（参考訳）: LensErase: あらゆるものを消去するための基礎モデル
• Abstract要約: LensEraseは汎用マスクベースのErase Anythingファウンデーションモデルである。 多様なオブジェクト、ビジュアルテキスト、透かし、関連する視覚効果、複数オブジェクトの除去、画像解像度をサポートする。 6つの公開ベンチマークと提案されているLensErase-Benchで大幅に改善されている。
• 参考スコア（独自算出の注目度）: 64.34528769263515
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We introduce LensErase, a general-purpose mask-based Erase Anything foundation model designed to cover a broad spectrum of real-world erase scenarios. LensErase supports diverse objects, visual text, watermarks, associated visual effects, multiple-object removal, and a wide range of object scales, aspect ratios, and image resolutions. First, to enable such broad coverage, we construct LensErase-100M, a large-scale dataset containing 101.07 million paired source-mask-target examples spanning diverse erase scenarios. Second, we pretrain LensErase from the text-to-image model Lens, adapting its strong generative prior to mask-based erasing. To efficiently incorporate the source image and erase mask, we propose Mask-Aware RoPE, a 3D rotary positional encoding that directly injects mask information into the source-image tokens without introducing a separate mask token sequence. Finally, we refine the model through supervised fine-tuning and reinforcement learning with contract-guided, region-aware rewards, and apply TraceFusion at inference to preserve high-fidelity content outside the effective edit region. Across six public benchmarks and the proposed LensErase-Bench, LensErase achieves substantial improvements under both reference-based objective metrics and reference-free VLM evaluation. We hope LensErase can serve as a foundational model for erase-related applications and systems.
• Abstract（参考訳）: 本稿では,汎用マスクベースErase Anything基盤モデルであるLensEraseを紹介する。 LensEraseは多様なオブジェクト、ビジュアルテキスト、透かし、関連する視覚効果、複数オブジェクトの除去、幅広いオブジェクトスケール、アスペクト比、画像解像度をサポートする。 まず、このような広範なカバレッジを実現するために、さまざまな消去シナリオにまたがる101.07万組のソースマスクターゲットサンプルを含む大規模データセットであるLensErase-100Mを構築した。 第二に,テキスト・ツー・イメージモデルLensからLensEraseをプレトレーニングし,マスクによる消去に先立ってその強力な生成を適応させる。 本手法では,マスク情報を直接ソースイメージに注入する3次元回転位置符号化方式であるMask-Aware RoPEを提案する。 最後に,契約誘導型地域対応報酬を用いた微調整・強化学習を通じてモデルを洗練し,提案手法を推論に適用し,有効編集領域外の高忠実度コンテンツを保存する。 6つの公開ベンチマークと提案されたLensErase-Benchで、LensEraseは基準ベースの客観的指標と基準のないVLM評価の両方で大幅に改善されている。 LensEraseが消去関連アプリケーションやシステムの基本モデルになり得ることを願っています。

関連論文リスト

• Targeted Visual Counterfactual Explanations for Contrastive Vision-Language Model [6.030162209405975]
  MACE (Mask-guided Adaptive Counterfactual Explanations) は、CLIPのゼロショット分類用に設計された。 我々は、ImageNet、Food-101、Oxford Pets、CUB-200データセット上でMACEを評価する。
  論文  参考訳（メタデータ） (2026-09-29T14:08:05Z)
• ObjectClear: Complete Object Removal via Object-Effect Attention [56.2893552300215]
  我々は、オブジェクトとそれに関連する視覚的アーティファクトの両方の正確なマスクとともに、オブジェクト効果と不要なペア画像を提供するOBERという、オブジェクト・エフェクト除去のための新しいデータセットを紹介した。 本研究では,物体効果の注意機構を組み込んだ新しいフレームワーク ObjectClear を提案する。 実験では、ObjectClearが既存のメソッドよりも優れており、特に複雑なシナリオにおいて、オブジェクト・エフェクトの除去品質と背景の忠実さの改善を実現している。
  論文  参考訳（メタデータ） (2025-05-28T17:51:17Z)
• LlamaSeg: Image Segmentation via Autoregressive Mask Generation [46.17509085054758]
  LlamaSegは視覚的自己回帰フレームワークで、自然言語による複数の画像分割タスクを統一する。 マスクを「視覚的」トークンとして表現し、LLaMA方式のトランスフォーマーを用いて画像入力から直接予測することで、画像分割を視覚生成問題として再構成する。
  論文  参考訳（メタデータ） (2025-05-26T02:22:41Z)
• Marmot: Object-Level Self-Correction via Multi-Agent Reasoning [55.74860093731475]
  Marmotは、マルチオブジェクトの自己修正にマルチエージェント推論を活用する、新しくて一般化可能なフレームワークである。 Marmotは、画像生成タスクにおけるオブジェクトカウント、属性割り当て、空間関係の精度を大幅に改善する。
  論文  参考訳（メタデータ） (2025-04-10T16:54:28Z)
• SmartEraser: Remove Anything from Images using Masked-Region Guidance [114.36809682798784]
  SmartEraserはMasked-Region Guidanceと呼ばれる新しい削除パラダイムで構築されている。 Masked-Region Guidanceは、削除プロセスのガイダンスとして、入力中のマスクされた領域を保持します。 大規模オブジェクト除去データセットであるSyn4Removalを提案する。
  論文  参考訳（メタデータ） (2025-01-14T17:55:12Z)
• Bridge the Points: Graph-based Few-shot Segment Anything Semantically [79.1519244940518]
  プレトレーニング技術の最近の進歩により、視覚基礎モデルの能力が向上した。 最近の研究はSAMをFew-shot Semantic segmentation (FSS)に拡張している。 本稿では,グラフ解析に基づく簡易かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2024-10-09T15:02:28Z)
• A Simple Framework for 3D Lensless Imaging with Programmable Masks [37.35255907261072]
  本稿では,プログラム可能なマスク上の異なるパターンを用いて,少数の計測値をキャプチャするレンズレスイメージングシステムを提案する。 まず,シーン内の一定数の深さ面上のテクスチャを復元する高速回復アルゴリズムを提案する。 第二に、プログラマブルレンズレスカメラにおけるマスク設計問題について検討し、マスクパターンを最適化するための設計テンプレートを提供する。 第3に、再構築後のアーティファクトを特定し、削除するための後処理のステップとして、精細化ネットワークを使用します。
  論文  参考訳（メタデータ） (2021-08-18T04:05:33Z)

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。