論文の概要: MTEdit: Packed Trajectories Beat Rollouts for Multi-Turn Image Editing

• arxiv url: http://arxiv.org/abs/2610.23751v2
• Date: Wed, 21 Oct 2026 08:15:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:05.964594
• Title: MTEdit: Packed Trajectories Beat Rollouts for Multi-Turn Image Editing
• Title（参考訳）: MTEdit:マルチTurn画像編集用パッケージトラックがロールアウト
• Abstract要約: 本稿では,PTC(Packed trajectory canvas)生成を中心としたパイプラインを通じて構築されたマルチターン画像編集データセットMTEditを紹介する。 ステップワイドおよびコンテキスト対応の編集シナリオをカバーするMTEditは、500Kのマルチターン画像編集トラジェクトリで構成され、最大8ターン、平均5.38ターンである。 MTEdit-Benchでは,Qwen-Image-MTEditを含むクローズドソースおよびオープンソース画像編集モデルについて検討した。
• 参考スコア（独自算出の注目度）: 66.83668153195389
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-turn image editing aims to modify an image according to a sequence of instructions, making it better aligned with human-AI collaborative creation than single-turn editing. However, constructing high-quality multi-turn training data remains challenging, as conventional sequential rollout accumulates errors and introduces visual-quality drift across editing turns. To address this challenge, we introduce MTEdit, a multi-turn image editing dataset built through a pipeline centered on packed trajectory canvas (PTC) generation. By jointly generating multiple editing states within a unified visual context, this pipeline reduces visual-quality drift across turns. Covering both step-wise and context-aware editing scenarios, MTEdit comprises 500K multi-turn image editing trajectories, with up to 8 turns and an average of 5.38 turns per trajectory, making it one of the most extensive datasets for multi-turn image editing. We further introduce MTEdit-Bench, a benchmark designed to evaluate both scenarios by assessing models' ability to follow editing instructions, maintain content consistency, resist visual-quality drift, and effectively use historical context across turns. Using MTEdit, we fine-tune Qwen-Image-Edit-Causal to obtain Qwen-Image-MTEdit. On MTEdit-Bench, we evaluate a broad range of closed-source and open-source image editing models, including Qwen-Image-MTEdit. Experimental results show that Qwen-Image-MTEdit achieves the best performance among the evaluated open-source models, demonstrating the effectiveness of MTEdit in improving models' multi-turn image editing capabilities.
• Abstract（参考訳）: マルチターン画像編集は、一連の命令に従って画像を修正することを目的としている。 しかし、従来のシーケンシャルロールアウトはエラーを蓄積し、編集ターンにまたがる視覚品質のドリフトを導入するため、高品質なマルチターントレーニングデータの構築は依然として困難である。 この課題に対処するために,PTC(packed trajectory canvas)生成を中心としたパイプラインを通じて構築されたマルチターン画像編集データセットMTEditを紹介する。 統一された視覚コンテキスト内で複数の編集状態を共同生成することにより、このパイプラインはターン間の視覚的品質のドリフトを低減する。 MTEditは、ステップワイドおよびコンテキスト対応の編集シナリオの両方をカバーするため、500Kのマルチターン画像編集トラジェクトリで構成され、最大8ターン、平均5.38ターンのトラジェクトリで構成されており、マルチターン画像編集のための最も広範なデータセットの1つである。 さらに、MTEdit-Benchは、編集命令に従うモデルの能力を評価し、コンテンツの一貫性を維持し、視覚的品質のドリフトに抵抗し、ターン間の履歴コンテキストを効果的に活用することで、両方のシナリオを評価するために設計されたベンチマークである。 MTEditを用いてQwen-Image-MTEditを得るためにQwen-Image-Edit-Causalを微調整する。 MTEdit-Benchでは,Qwen-Image-MTEditを含む,幅広いクローズドソースおよびオープンソース画像編集モデルを評価する。 実験の結果,Qwen-Image-MTEditは評価されたオープンソースモデルの中で最高の性能を示し,マルチターン画像編集機能の改善におけるMTEditの有効性を示した。

関連論文リスト

• ACEdit: Stable Multi-Turn Image Editing via Asymmetric Conditioning [49.99222682056233]
  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。
  論文  参考訳（メタデータ） (2026-10-15T17:52:24Z)
• MultiEdit: Advancing Instruction-based Image Editing on Diverse and Challenging Tasks [46.87912659985628]
  MultiEditは、107K以上の高品質の画像編集サンプルを備えた包括的なデータセットである。 18の非スタイルの編集タイプと38のスタイルの転送操作の多様なコレクションを通じて、6つの困難な編集タスクを含んでいる。 我々は、2つのマルチモーダル大言語モデル(MLLM)を用いて視覚適応的な編集命令を生成する新しいデータセット構築パイプラインを用いる。
  論文  参考訳（メタデータ） (2025-09-18T05:33:38Z)
• AnyEdit: Mastering Unified High-Quality Image Editing for Any Idea [88.79769371584491]
  我々は、総合的なマルチモーダル命令編集データセットであるAnyEditを提示する。 我々は,AnyEditコレクションの多様性と品質を,初期データ多様性,適応編集プロセス,自動編集結果の選択という3つの側面を通じて保証する。 3つのベンチマークデータセットの実験によると、AnyEditは拡散ベースの編集モデルのパフォーマンスを一貫して向上させる。
  論文  参考訳（メタデータ） (2024-11-24T07:02:56Z)
• ReEdit: Multimodal Exemplar-Based Image Editing with Diffusion Models [11.830273909934688]
  最新のテキスト・ツー・イメージ(T2I)拡散モデルでは、高品質な画像を生成することで画像編集に革命をもたらした。 テキストと画像のモダリティの両方で編集をキャプチャする,モジュール的で効率的なエンドツーエンドフレームワークであるReEditを提案する。 以上の結果から,ReEditは定性的かつ定量的に現代的アプローチを一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2024-11-06T15:19:24Z)

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。