Fugu-MT 論文翻訳(概要): BluePixel: Toward Native 4K Agentic Image Editing

論文の概要: BluePixel: Toward Native 4K Agentic Image Editing

arxiv url: http://arxiv.org/abs/2610.19882v1
Date: Wed, 14 Oct 2026 09:37:09 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-15 21:06:16.073894
Title: BluePixel: Toward Native 4K Agentic Image Editing
Title（参考訳）: BluePixel:ネイティブ4Kエージェントイメージ編集に向けて
Abstract要約: エージェントハーネスを備えたネイティブ4K編集モデルであるBluePixelを提案する。プログレッシブなVAE適応により、1K対応のエディタをネイティブな4Kエディタに変換する。 BluePixelは、7つのモデルの中で第2位であり、非編集領域の一貫性においてGPT Image 2に次いでいる。
参考スコア（独自算出の注目度）: 42.31202870940974
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Instruction-driven image editing has reached native 4K, yet how such editors are trained remains undisclosed, and pretraining one from scratch is beyond most teams. The task itself compounds the difficulty: a single end-to-end editor cannot make precise parametric adjustments, match specialized experts, or interpret the vague instructions users actually write. We argue that 4K editing is a system problem rather than a single-model problem, and present BluePixel, which couples a native-4K editing model with an agent harness; the complete training recipe is disclosed in this paper. The model makes 4K training practical: it turns a 1K-pretrained editor into a native-4K one through progressive VAE adaptation that keeps 4K training as affordable as 1K, absorbs a long tail of vertical editing skills through continual learning, and refines the aesthetic-fidelity trade-off with reinforcement learning. Distillation via source-anchored target projection (SATP) then compresses 50 denoising steps to 4, completing a 4K edit in 8.7 s on a single Kunlunxin P800 XPU while preserving task success rate and background consistency. The harness, BluePixel Agent, makes editing controllable: it decomposes user instructions into specialist and general operations, verifies every result with the same reward model that guided training, and retries within bounded attempts. On VINS-4KEval++ (3,305 native-4K cases), BluePixel ranks second among seven models, behind only GPT Image 2 in non-edited-region consistency.
Abstract（参考訳）: インストラクション駆動の画像編集はネイティブ4Kに到達したが、そのようなエディタのトレーニング方法はまだ公表されていない。単一のエンドツーエンドエディタは、正確なパラメトリック調整、専門の専門家とのマッチング、あるいはユーザが実際に書いた曖昧な命令の解釈ができない。本稿では,4K編集は単一モデル問題ではなくシステム問題であり,エージェントハーネスとネイティブ4K編集モデルを結合したBluePixelについて述べる。 1K対応のエディタをネイティブ4Kに、プログレッシブなVAE適応により4Kトレーニングを1Kほど安価に維持し、継続的な学習を通じて垂直編集スキルの長いテールを吸収し、強化学習によって美学と忠実なトレードオフを洗練する。ソースアンコレッドターゲットプロジェクション(SATP)による蒸留は、50個のデノイングステップを4に圧縮し、タスクの成功率とバックグラウンド一貫性を維持しながら、単一のKunlunxin P800 XPUの8.7秒で4K編集を完了させる。ユーザ命令をスペシャリストと一般的な操作に分解し、トレーニングをガイドする同じ報酬モデルですべての結果を検証し、バウンドトライ内でリトライする。 VINS-4KEval++ (3,305 のネイティブ-4K ケース)では、BluePixel は7つのモデルの中で第2位であり、非編集領域の一貫性において GPT Image 2 に次いでいる。

関連論文リスト

EDITBRIDGE: Towards Faithful and Efficient Ultra-High-Resolution Image Editing [32.87034497388552]
EditBridgeは、効率的な超高解像度編集のための拡散ブリッジフレームワークである。本稿では,第1段階の編集から意味的対応を利用して画像間の相互作用を制約する,事前誘導型ブロックワイド・スパースアテンション機構を提案する。実験では、EditBridgeは4Kまでの解像度で優れた知覚品質の高忠実な編集を実現し、2Kで3.6--8.4$times$ Speedupを提供し、61秒で実用的な4K編集を可能にする。
論文参考訳（メタデータ） (2026-08-18T17:53:16Z)
Instruction-Based Video Editing by Repurposing an Image Editing Model [55.9214783600876]
そこで本研究では,ビデオVAEラテントを直接操作することで,強力な命令ベースの画像編集モデルで映像を編集可能であることを示す。以上の結果から,ビデオ潜在空間のトレーニングに多大な投資をしているにもかかわらず,フレームごとのラテントは画像領域に十分近いままであり,画像編集の事前転送が最小限に抑えられることが示唆された。
論文参考訳（メタデータ） (2026-08-14T18:01:29Z)
MoCRA: Mixture of Compositional Rank-1 Atoms for 4K All-in-One Video Restoration [27.468021744863787]
UHV-4K-AIOは、物理的にモデル化されたヘイズ、雨、センサーノイズ、低光を、深度と動きの共有された100個のクリーンな4Kクリップにレンダリングする。ランク1原子の1つの辞書は、フレームごとに分解され、一対一の粗い枝と浅いネイティブレゾリューション精製器の両方が条件である。 MoCRAは、最速のベースラインで1.7秒間、ネイティブ4Kを半秒以下で復元する。
論文参考訳（メタデータ） (2026-08-03T07:40:55Z)
4KLSDB: A Large-Scale Dataset for 4K Image Restoration and Generation [23.288582652884642]
現在の公開データセットには、ネイティブ4K解像度と、最先端モデルのトレーニングに必要な広範なスケールの両方が欠落している。複数のカテゴリにまたがる129,484個の慎重にキュレートされた4K解像度画像からなる4K大規模データセットとベンチマーク(4KLSDB)を導入する。我々は4KLSDBの有効性を代表的超解像および拡散モデルのトレーニングにより実証し、ネイティブな4Kベンチマークの大幅な改善を観察した。
論文参考訳（メタデータ） (2026-05-23T22:49:04Z)
In-Context Learning with Unpaired Clips for Instruction-based Video Editing [51.943707933717185]
我々は、命令ベースのビデオ編集のための低コストの事前学習戦略を導入する。本フレームワークは,まず約100万本のビデオクリップを事前学習し,基本的な編集概念を学習する。本手法は命令アライメントと視覚的忠実度の両方において既存の命令ベースビデオ編集手法を超越する。
論文参考訳（メタデータ） (2025-10-16T13:02:11Z)
Editing 3D Scenes via Text Prompts without Retraining [80.57814031701744]
DN2Nはテキスト駆動編集方式であり、普遍的な編集機能を備えたNeRFモデルの直接取得を可能にする。本手法では,2次元画像のテキストベース編集モデルを用いて3次元シーン画像の編集を行う。本手法は,外観編集,天気変化,材質変化,スタイル伝達など,複数種類の編集を行う。
論文参考訳（メタデータ） (2023-09-10T02:31:50Z)
4K-HAZE: A Dehazing Benchmark with 4K Resolution Hazy and Haze-Free Images [12.402054374952485]
まず、シーンの深さを推定し、光線とオブジェクトの反射率をシミュレートし、GANを用いて合成画像を実際の領域に移行する。これらの合成画像を4K-HAZEデータセットと呼ばれるベンチマークにラップする。このアプローチの最も魅力的な側面は、24G RAMをリアルタイムで(33fps)1つのGPU上で4Kイメージを実行する機能です。
論文参考訳（メタデータ） (2023-03-28T09:39:29Z)

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。