論文の概要: DuplexBridge: Coordinating Understanding and Generation for Unified Image Editing
- arxiv url: http://arxiv.org/abs/2610.18819v2
- Date: Thu, 15 Oct 2026 11:52:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 06:09:33.000725
- Title: DuplexBridge: Coordinating Understanding and Generation for Unified Image Editing
- Title（参考訳）: DuplexBridge: 統一画像編集における理解と生成の調整
- Abstract要約: 複雑な画像編集は、忠実なタスク解釈と正確な実行を必要とするが、編集が失敗した場合、どの責任が失敗したかは明らかにしない。
我々は、統一モデル独自の理解能力を使用して、独自の生成能力のプロンプトを強化するDuplexBridgeを提案する。
タスク由来の変化と保存要件のジョイント満足度を測定する1200タスクのベンチマークであるCE-Benchを紹介する。
- 参考スコア（独自算出の注目度）: 55.260058862252045
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Complex image editing requires faithful task interpretation and accurate execution, but a failed edit does not reveal which responsibility failed. We present DuplexBridge, which uses a unified model's own understanding capability to enhance prompts for its own generation capability, without an external understanding module. A source-grounded bridge specifies targets, final-state changes, and preservation constraints. Understanding is supervised on fidelity to the original request without observing the generated image; generation is supervised on execution of the condition it actually receives. Reciprocal trust checks selectively admit global task feedback to each role while retaining independently valid local supervision. We introduce CE-Bench, a 1,200-task benchmark measuring joint satisfaction of task-derived change and preservation requirements. Across three model configurations, the full system improves complete compliance over direct editors by 21.75-25.75 percentage points, with gains also observed on KRIS-Bench, RISEBench, ImgEdit, and GEdit-Bench. From a common supervised Wan-Image initialization, gated joint training reaches 77.08% complete compliance, compared with 70.92% without gates and 75.00% when generation-local supervision instead checks the original task with both gates retained. These results support distinct local responsibilities and selective shared feedback for joint understanding-generation adaptation.
- Abstract（参考訳）: 複雑な画像編集は、忠実なタスク解釈と正確な実行を必要とするが、編集が失敗した場合、どの責任が失敗したかは明らかにしない。
本稿では、統一モデル独自の理解機能を使用して、外部理解モジュールを使わずに、独自の生成能力のプロンプトを強化するDuplexBridgeを提案する。
ソースグラウンドのブリッジは、ターゲット、最終状態の変更、保存の制約を指定する。
理解は生成したイメージを観察することなく、元の要求に対する忠実度に基づいて管理され、生成は実際に受信した条件の実行に基づいて監督される。
相互信頼チェックは、独立して有効な地域監督を維持しながら、各役割に対するグローバルなタスクフィードバックを選択的に認める。
タスク由来の変化と保存要件のジョイント満足度を1,200タスクのベンチマークで測定するCE-Benchを紹介する。
3つのモデル構成で、完全なシステムは直接エディターに対する完全なコンプライアンスを21.75-25.75ポイント改善し、KRIS-Bench、RISEBench、ImgEdit、GEdit-Benchでも改善されている。
一般的なワンイメージの初期化では、ゲート付きジョイントトレーニングは77.08%に達し、ゲート無しでは70.92%、世代別監督では75.00%に達している。
これらの結果は、共同理解世代適応のための異なる局所的責任と選択的な共有フィードバックを支持する。
関連論文リスト
- RSIgen: Reciprocal Self-Improvement for Agentic Visual Generation [76.13535986114067]
本稿では,タスク中心の相互改善フレームワークであるRSIgenを紹介する。
Dynamic Responsibility Routing (DRR)は、エビデンス、インプット、サポートされたアクションにマッチした介入を使用して、受講者を選別し、互換性のあるトレーニングターゲットを構築する。
BAGEL、Qwen-Image、Wan-Image-7B全体で、RSIgenはAgengen-Bench Full overall 9を3.2--3.3ポイント改善し、3サイクルのSearchGenをアクションコストで適応させた。
論文 参考訳（メタデータ） (2026-10-13T16:41:24Z) - GenCoord: Skill-Path Commitments under Private Information [3.5348314201494517]
GenCoordを紹介します。これは、そのようなプライベートな事実のタスクの結果を、実行可能なスキルパスのコミットメントに変換するものです。
ローカルQwen3.5-0.8Bモデルは、複数ステップのSELFプランとピアREQを出力する。
3つの独立して訓練された種子の中で、正しい能力フィードバックは、ペア化された局所情報ギャップを50%から100%に閉じる。
論文 参考訳（メタデータ） (2026-08-22T17:41:25Z) - Route-Align-Verify for Functional Correctness in Code Generation [0.8475107963160777]
RAVは軽量でモジュール化されたフレームワークで、3つの調整されたステージを通じて固定されたバックボーンモデルでコード生成を改善する。
MBPPベンチマークのRAVを,高濃度およびフル設定の両方で評価した。
その結果、バックボーンアーキテクチャを変更することなく、コード生成における機能的正しさを有意義に改善できることが示唆された。
論文 参考訳（メタデータ） (2026-08-04T08:52:40Z) - GMO-E$^2$DIT: Grounded Multi-Operation Editing for E-Commerce Images [16.213122519512932]
実世界のeコマース画像編集には、グローバルリプライよりも複数の、ローカライズされた、監査可能な操作が必要となることが多い。
既存のワンショットエディタは、意図の解決、空間的接地、合成を1ステップに分割する。
GMO-E$2$DITは、視覚言語モデル(VLM)とマスク条件の画像エディタを結合して構成されたマルチターンタスク補完に取り組むエージェント編集フレームワークである。
論文 参考訳（メタデータ） (2026-07-01T13:23:45Z) - Qwen-Image-2.0-RL Technical Report [66.2346321737379]
Qwen-Image-2.0-RLは、人間のフィードバックとオンライン蒸留から強化学習を応用した後学習パイプラインである。
Qwen-Image-2.0-RLは、Qwen-Image-Benchで57.84点、Eloでは1193点、画像編集では1349点を達成している。
論文 参考訳（メタデータ） (2026-06-25T23:49:50Z) - When Recovery Matters: The Blind Spot of Surrogate Privacy in MLLM Editing [61.80513991207956]
我々は、36のきめ細かいプライバシーカテゴリと65の編集手順をカバーする最初のリカバリ指向ベンチマークであるSPPE(Surrogate-based Privacy-Preserving Editing)を紹介する。
編集性評価のために、ERMAはSRCCで13.9%、PLCCで12.3%向上した。
SPPEとInstructPix2Pixの実験では、両方のタスクが一貫した改善が見られた。
論文 参考訳（メタデータ） (2026-06-05T11:40:03Z) - CV-Arena: An Open Benchmark for Instructional Computer Vision Problem Solving with Human-AI Collaborative Preferences [51.86576932800981]
CV-Arenaは、プロの規模でこの能力を評価するために設計されたオープンベンチマークである。
CV-Arenaは16の命令ベースの視覚タスクタイプにまたがる12Kの高解像度実像命令ペアを含んでいる。
我々は,計画,編集,検証を組み合わせた軽量エージェントモデルCV-Agentを開発した。
論文 参考訳（メタデータ） (2026-05-30T23:37:55Z) - Agent Banana: High-Fidelity Image Editing with Agentic Thinking and Tooling [69.36546486569146]
エージェント・バナは階層的なエージェント・プランナー・エグゼクティブ・フレームワークであり、高忠実で、オブジェクト指向で、熟考的な編集を行う。
Context Foldingは、長い相互作用履歴を構造化メモリに圧縮し、安定した長距離制御を行う。
Image Layer Decompositionは、非ターゲット領域を保存するために、ローカライズされたレイヤベースの編集を実行する。
論文 参考訳（メタデータ） (2026-02-09T18:59:18Z)
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。