論文の概要: Instance-Specific Classifier-Free Guidance for Text-to-Image Diffusion/Flow-Based Editing

• arxiv url: http://arxiv.org/abs/2610.23905v1
• Date: Tue, 29 Sep 2026 20:53:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:38:56.661652
• Title: Instance-Specific Classifier-Free Guidance for Text-to-Image Diffusion/Flow-Based Editing
• Title（参考訳）: テキスト-画像拡散/フローベース編集のためのインスタンス-特定分類器-フリーガイダンス
• Abstract要約: 画像編集は、元のソースイメージに付着し、ターゲットプロンプトによって指定された変更を実現するという本質的にのトレードオフを導入する。 しかし、既存のほとんどの編集方法は、異なる編集が様々なレベルの修正を必要とすることを無視して、固定されたCFGスケールを使用する。 CLIP-Tを損なうことなくLPIPSを格段に改善できることを示す。 我々は、所定の編集インスタンスとCFGスケールの基盤となる編集方法のメトリクスを予測する軽量ニューラルネットワークを訓練する。
• 参考スコア（独自算出の注目度）: 15.03974529275767
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, a variety of prompt-based image editing methods have been developed based on text-to-image (T2I) diffusion/flow models. Image editing introduces an inherent trade-off between adhering to the original source image and realizing the change specified by the target prompt, which are typically measured by the LPIPS and CLIP-T metrics, respectively. Intuitively, this trade-off can be controlled by the classifier-free guidance (CFG) scale. Most existing editing methods, though, use a fixed CFG scale, ignoring that different edits require varying levels of modification. In this paper, we first explore the potential benefits of using an instance-specific CFG by exhaustively re-running prominent editing methods with a wide range of CFG scale values on benchmark datasets. We show that instance-specific setting can significantly improve LPIPS without compromising CLIP-T. Yet, tuning based on repeatedly executing an editing pipeline is inefficient. To prevent slow inference, we train a light-weight neural network that predicts the metrics of the underlying editing method for a given edit instance and CFG scale. At inference time, these predictions enable fast selection of an instance-specific CFG scale. Experiments across multiple editing methods and benchmark settings show the performance advantage of our approach over the baseline methods.
• Abstract（参考訳）: 近年,テキスト・トゥ・イメージ(T2I)拡散/フローモデルに基づいて,様々なプロンプトベースの画像編集手法が開発されている。 画像編集は、元のソースイメージに貼り付けることと、ターゲットプロンプトによって指定された変更を実現することと、それぞれLPIPSとCLIP-Tメトリクスによって測定される、固有のトレードオフを導入する。 直感的には、このトレードオフは分類器フリーガイダンス(CFG)スケールで制御できる。 しかし、既存のほとんどの編集方法は、異なる編集が様々なレベルの修正を必要とすることを無視して、固定されたCFGスケールを使用する。 本稿では、ベンチマークデータセット上でのCFGスケールの幅の広い顕著な編集方法を徹底的に再実行することで、インスタンス固有のCFGを使用することの潜在的な利点について検討する。 CLIP-Tを損なうことなくLPIPSを格段に改善できることを示す。 しかし、編集パイプラインの繰り返し実行に基づくチューニングは非効率である。 遅い推論を防ぐために、所定の編集インスタンスとCFGスケールの基盤となる編集方法のメトリクスを予測する軽量ニューラルネットワークを訓練する。 推論時にこれらの予測は、インスタンス固有のCFGスケールの高速な選択を可能にする。 複数の編集方法とベンチマーク設定にまたがる実験は、ベースラインメソッドに対する我々のアプローチの利点を示している。

関連論文リスト

• 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)
• Fine-tuning Done Right in Model Editing [83.79661791576103]
  大規模な言語モデルを適応するための基礎的な手法であるファインチューニングは、長い間モデル編集には有効ではないと考えられてきた。 ミニバッチ最適化により、標準的な幅優先パイプライン(エポックベース)に微調整を復元する。 我々は、復元された微調整フレームワーク上に構築された、シンプルで効果的なローカライズド編集手法であるLocFT-BFを導出する。
  論文  参考訳（メタデータ） (2025-09-26T08:53:13Z)
• LORE: Latent Optimization for Precise Semantic Control in Rectified Flow-based Image Editing [0.276240219662896]
  トレーニング不要で効率的な画像編集手法であるLOREを紹介する。 LOREは逆ノイズを直接最適化し、既存のアプローチの一般化と制御可能性の限界に対処する。 実験の結果,LOREはセマンティックアライメント,画像品質,背景忠実度において,強いベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2025-08-05T06:45:04Z)
• Image Editing As Programs with Diffusion Models [69.05164729625052]
  本稿では,Diffusion Transformer (DiT) アーキテクチャ上に構築された統合画像編集フレームワークである IEAP (Image Editing As Programs) を紹介する。 IEAPは、複雑な編集命令を原子操作のシーケンスに分解して、リダミストレンズによる命令編集にアプローチする。 我々のフレームワークは、特に複雑なマルチステップ命令に対して、より優れた精度とセマンティック忠実度を提供する。
  論文  参考訳（メタデータ） (2025-06-04T16:57:24Z)
• PIXELS: Progressive Image Xemplar-based Editing with Latent Surgery [10.594261300488546]
  PIXELSと呼ばれる,市販拡散モデルを用いたプログレッシブな例駆動編集のための新しいフレームワークを提案する。 PIXELSは編集のきめ細かい制御を提供し、ピクセルや領域レベルでの調整を可能にする。 我々は,PIXELSが高品質な編集を効率よく行うことを実証し,定量化と人的評価に顕著な改善をもたらすことを示した。
  論文  参考訳（メタデータ） (2025-01-16T20:26:30Z)
• Edicho: Consistent Image Editing in the Wild [90.42395533938915]
  エディコは拡散モデルに基づく訓練なしの解を踏む。 これは、明示的な画像対応を使って直接編集する基本的な設計原理を特徴としている。
  論文  参考訳（メタデータ） (2024-12-30T16:56:44Z)
• CLIP-Guided StyleGAN Inversion for Text-Driven Real Image Editing [22.40686064568406]
  提案するCLIPInverterは,複数属性の変更を効率よく,かつ確実に行うことのできる,テキスト駆動型画像編集手法である。 本手法は,人間の顔,猫,鳥など,さまざまな領域における操作精度とフォトリアリズムにおいて,競合するアプローチよりも優れる。
  論文  参考訳（メタデータ） (2023-07-17T11:29:48Z)
• EditGAN: High-Precision Semantic Image Editing [120.49401527771067]
  EditGANは高品質で高精度なセマンティック画像編集のための新しい手法である。 EditGANは前例のない細部と自由度で画像を操作可能であることを示す。 また、複数の編集を組み合わせることも簡単で、EditGANのトレーニングデータ以外の編集も可能になります。
  論文  参考訳（メタデータ） (2021-11-04T22:36:33Z)

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。