論文の概要: ACEdit: Stable Multi-Turn Image Editing via Asymmetric Conditioning

• arxiv url: http://arxiv.org/abs/2610.22328v1
• Date: Thu, 15 Oct 2026 17:52:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.264676
• Title: ACEdit: Stable Multi-Turn Image Editing via Asymmetric Conditioning
• Title（参考訳）: ACEdit:非対称コンディショニングによる安定なマルチTurnイメージ編集
• Abstract要約: 本稿では,この累積分布シフトの下で,マルチターン画像編集を安定させる訓練手法を提案する。 鍵となるのは、エディタがトレーニング中に以前の編集ターンから独自のアウトプットを実行するように強制することであり、セルフフォースの原則を画像編集にもたらすことである。 実験では、編集品質と命令順守を維持しながら、長いマルチターンシーケンスの劣化を著しく低減した。
• 参考スコア（独自算出の注目度）: 49.99222682056233
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image editing models produce impressive results for individual edits, but their quality often deteriorates over multiple editing turns. Each editing turn introduces small distribution shifts that accumulate over successive edits, creating a gap between the input distributions encountered during the editor's original training and multi-turn inference. We introduce a training scheme that makes multi-turn image editing stable under this accumulating distribution shift. A key is to force the editor to operate on its own outputs from previous editing turns during training, bringing the principle of Self-Forcing to image editing. The main challenge is that self-generated editing trajectories deviate from ground-truth trajectories, making direct supervision unreliable. We address this challenge through a distillation objective that leverages a teacher image editor to provide a reliable training signal when the model operates on its own previous outputs. We introduce an asymmetric conditioning scheme: while the student performs edits sequentially on its own outputs, the teacher remains anchored to the original clean image and receives a compound editing instruction. Experiments show substantially reduced degradation over long multi-turn sequences while maintaining editing quality and instruction adherence.
• Abstract（参考訳）: 画像編集モデルは個々の編集に対して印象的な結果をもたらすが、その品質は複数の編集ターンで劣化することが多い。 各編集ターンは、連続する編集に蓄積する小さな分布シフトを導入し、エディタの元々のトレーニング中に発生する入力分布とマルチターン推論の間にギャップを生じさせる。 本稿では,この累積分布シフトの下で,マルチターン画像編集を安定させる訓練手法を提案する。 鍵となるのは、エディタがトレーニング中に以前の編集ターンから独自のアウトプットを実行するように強制することであり、セルフフォースの原則を画像編集にもたらすことである。 主な課題は、自己生成された編集軌跡が地中軌道から逸脱し、直接の監督が信頼できないことである。 この課題は,教師イメージエディタを利用して,モデルが以前の出力で動作した場合に,信頼性の高いトレーニング信号を提供する蒸留目標によって解決される。 非対称な条件付け方式を導入し、学生が自分自身の出力に対して順次編集を行う間、教師は元のクリーンイメージに固定され、複合的な編集指示を受ける。 実験では、編集品質と命令順守を維持しながら、長いマルチターンシーケンスの劣化を著しく低減した。

関連論文リスト

• On-Policy Self-Distillation for Multi-Turn Image Editing [38.75324260878104]
  MT-OPSD(MT-OPSD)は、清潔な教師から編集監督を受けながら、自己生成状態のモデルを訓練する、政治上の自己蒸留フレームワークである。 MT-OPSDは長軸編集の成功を著しく改善し,多軸編集品質を保ちながら多軸加工の崩壊を抑えることを示す。
  論文  参考訳（メタデータ） (2026-09-28T16:55:24Z)
• DuET: Dual Expert Trajectories for Diffusion Image Editing [42.49842620609682]
  我々は、ソースイメージの条件付けを一時的に緩和する訓練不要推論手法であるDuETを紹介する。 DuETは命令の関連性、セマンティックな忠実さ、そして様々なモデルやベンチマークにおける知覚品質を継続的に改善する。
  論文  参考訳（メタデータ） (2026-06-11T12:58:48Z)
• FlowDC: Flow-Based Decoupling-Decay for Complex Image Editing [52.54102743380658]
  本稿では,複雑な編集を複数のサブ編集エフェクトに分離し,編集プロセス中に並列に重畳するFlowDCを提案する。 FlowDCは既存の方法に比べて優れた結果を示した。
  論文  参考訳（メタデータ） (2025-12-12T09:08:39Z)
• SliderEdit: Continuous Image Editing with Fine-Grained Instruction Control [50.76070785417023]
  スライダ編集(SliderEdit)は、細粒度で解釈可能な命令制御による連続的な画像編集のためのフレームワークである。 複数部分の編集命令が与えられたSliderEditは、個々の命令をアンタングルして、グローバルにトレーニングされたスライダとして公開する。 本結果は,連続的,構成的制御による対話的,命令駆動型画像操作の道を開くものである。
  論文  参考訳（メタデータ） (2025-11-12T20:21:37Z)
• Group Relative Attention Guidance for Image Editing [38.299491082179905]
  Group Relative Attention Guidance (GRAG) は、編集命令に対する入力画像に対するモデルの焦点を変調するシンプルで効果的な方法である。 私たちのコードはhttps://www.littlemisfit.com/little-misfit/GRAG-Image-Editing.comでリリースされます。
  論文  参考訳（メタデータ） (2025-10-28T17:22:44Z)
• UIP2P: Unsupervised Instruction-based Image Editing via Edit Reversibility Constraint [87.20985852686785]
  本研究では,教師なし指導に基づく画像編集手法を提案する。 本稿では,編集可逆性制約 (ERC) と呼ばれる新しい編集機構を導入することで,これらの課題に対処する。 これにより、地道に編集されたイメージの必要性を回避し、実際のイメージキャプチャペアまたはイメージキャプチャインストラクショントリプルからなるデータセットで、初めてトレーニングをアンロックすることが可能になります。
  論文  参考訳（メタデータ） (2024-12-19T18:59:58Z)
• Pathways on the Image Manifold: Image Editing via Video Generation [11.891831122571995]
  我々は、事前訓練されたビデオモデルを用いて、画像編集を時間的プロセスとして再構成し、元の画像から所望の編集へのスムーズな遷移を生成する。 提案手法は,テキストベースの画像編集における最先端の成果を達成し,編集精度と画像保存の両面で有意な改善を示した。
  論文  参考訳（メタデータ） (2024-11-25T16:41:45Z)
• Object-aware Inversion and Reassembly for Image Editing [61.19822563737121]
  オブジェクトレベルのきめ細かい編集を可能にするために,オブジェクト認識型インバージョンと再アセンブリ(OIR)を提案する。 画像の編集時に各編集ペアに対して最適な反転ステップを見つけるために,検索基準を用いる。 本手法は,オブジェクトの形状,色,材料,カテゴリなどの編集において,特に多目的編集シナリオにおいて優れた性能を発揮する。
  論文  参考訳（メタデータ） (2023-10-18T17:59:02Z)

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。