論文の概要: SERO: Semantic Prediction for Single-Step Object Removal

• arxiv url: http://arxiv.org/abs/2610.24173v1
• Date: Fri, 16 Oct 2026 19:47:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-26 10:29:48.350394
• Title: SERO: Semantic Prediction for Single-Step Object Removal
• Title（参考訳）: SERO: シングルステップオブジェクト削除のセマンティック予測
• Abstract要約: 単段階オブジェクト除去のためのセマンティック予測フレームワークSEROを提案する。 本モデルでは,埋め込み空間に先立って隠れ領域のセマンティクスを予測する。 RORDデータセットとORBデータセットの実験は、SEROが競争力や最先端のパフォーマンスを達成し、単一の生成ステップしか必要としていないことを示している。
• 参考スコア（独自算出の注目度）: 18.705020294884555
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Object removal and semantic inpainting of missing regions remain inherently ill-posed, as multiple plausible completions may exist for a given scene. Recent diffusion-based methods have demonstrated strong potential for high-quality object removal; however, they still face two key limitations. First, although they can synthesise sharp and high-resolution images, they often struggle to complete removed regions in a semantically consistent and contextually meaningful manner, where the generated content should agree with the surrounding scene layout and object relationships rather than merely appear visually realistic. Second, their iterative denoising process makes them computationally expensive, limiting their practicality for downstream applications. We propose SERO, a semantic prediction framework for single-step object removal. Our model predicts a hidden-region semantic prior in embedding space, which guides a latent bridge-matching generator toward plausible scene completion by providing both where to edit and what structure is likely to exist behind the removed object. This enables visually realistic and contextually coherent completions in one forward pass. Experiments on the RORD and OBER datasets show that SERO achieves competitive or state-of-the-art performance while requiring only a single generation step.
• Abstract（参考訳）: 欠落した領域のオブジェクトの除去とセマンティック・インパインティングは、特定のシーンに対して複数のもっともらしい完了が存在するため、本質的には不適切な状態のままである。 最近の拡散法は、高品質な物体除去の強い可能性を示しているが、それでも2つの重要な限界に直面している。 まず、シャープで高解像度の画像を合成できるが、多くの場合、視覚的にリアルに見えるのではなく、周囲のシーンのレイアウトやオブジェクトの関係に一致して生成されたコンテンツが、意味的に一貫性があり、文脈的に意味のある方法で削除された領域を完成させるのに苦労する。 第2に、反復的復調処理によって計算コストが高くなり、下流アプリケーションに対する実用性が制限される。 単段階オブジェクト除去のためのセマンティック予測フレームワークSEROを提案する。 本モデルでは, 埋込空間に先行する隠れ領域意味を予測し, 遅延ブリッジマッチング生成器を, 編集場所と削除対象の後方構造の両方を提供することにより, 可視的なシーン補完に向けて誘導する。 これにより、視覚的にリアルでコンテキスト的にコヒーレントな完了を1つのフォワードパスで実現する。 RORDデータセットとORBデータセットの実験は、SEROが競争力や最先端のパフォーマンスを達成し、単一の生成ステップしか必要としていないことを示している。

関連論文リスト

• OcclusionFormer: Arranging Z-Order for Layout-Grounded Image Generation [49.49933361280724]
  OcclusionFormerは、インスタンスを分離することで、Zオーダーの優先順位を明示的にモデル化する新しいフレームワークです。 また、個別のインスタンスを明示的に監視し、セマンティックな一貫性を高めるクエリアライメント損失を導入します。 提案手法は,重なり合う領域の曖昧さを効果的に低減し,正しい閉塞依存性を強制し,構造的整合性を保ち,様々な場面で精度の高い向上をもたらす。
  論文  参考訳（メタデータ） (2026-05-20T16:10:44Z)
• From Understanding to Erasing: Towards Complete and Stable Video Object Removal [8.035439287403983]
  ビデオオブジェクトの削除は、ビデオからターゲットオブジェクトを排除し、欠落した領域を確実に完了し、時間的一貫性を維持することを目的としている。 全体コヒーレンスを損なうことなく、物体によって引き起こされる副作用を取り除くことは依然として困難である。 本稿では,2つの相補的観点からの消去の理解を紹介する。
  論文  参考訳（メタデータ） (2026-04-02T06:50:39Z)
• You Only Erase Once: Erasing Anything without Bringing Unexpected Content [51.927496399405676]
  よえお(よえお)は、不要な物や人工物なしで高品質な消去結果を生み出すオブジェクト消去のアプローチである。 我々は,大規模な実世界の画像のみを含む未ペアデータ上でオブジェクト消去拡散モデルを訓練することにより,この目標を達成する。 より効率的なトレーニングと推論を可能にするため、数段階の消去拡散モデルの訓練に拡散蒸留法を用いる。
  論文  参考訳（メタデータ） (2026-03-29T09:42:57Z)
• Contact-Aware Amodal Completion for Human-Object Interaction via Multi-Regional Inpainting [4.568580817155409]
  コンピュータビジョンとロボット工学における人間と物体の相互作用を理解するためには、アモーダル・コンプリートが不可欠である。 我々は,物理知識と,HOI用に設計された特殊多領域塗装技術を用いた新しいアプローチを開発した。 実験の結果,本手法はHOIシナリオにおける既存手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2025-08-01T08:33:45Z)
• ROODI: Reconstructing Occluded Objects with Denoising Inpainters [34.37743884589211]
  2つの鍵原理に基づく新しい物体抽出法 シーン全体の3次元表現を生かして,既製の拡散型インペーターとオクルージョン推論を併用する。 本手法は, 複雑なシーンからのオブジェクト抽出において, 最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-13T11:16:21Z)
• OmniEraser: Remove Objects and Their Effects in Images with Paired Video-Frame Data [21.469971783624402]
  本稿では,現実的な物体影と反射を伴う10万以上の高品質なサンプルからなる大規模データセットであるVideo4Removalを提案する。 ビデオフレームと市販のビジョンモデルからオブジェクト-バックグラウンドペアを構築することにより、データ取得の作業コストを大幅に削減することができる。 形状的なアーティファクトや意図しないコンテンツを生成するのを避けるために,Object-Background Guidanceを提案する。 我々は,オブジェクトマスクのみを入力として,オブジェクトとその視覚効果をシームレスに除去する新しい手法であるOmniEraserを提案する。
  論文  参考訳（メタデータ） (2025-01-13T15:12:40Z)
• Structure-Guided Image Completion with Image-level and Object-level Semantic Discriminators [97.12135238534628]
  複雑な意味論やオブジェクトの生成を改善するために,セマンティック・ディミネータとオブジェクトレベル・ディミネータからなる学習パラダイムを提案する。 特に、セマンティック・ディミネーターは、事前学習された視覚的特徴を利用して、生成された視覚概念の現実性を改善する。 提案手法は, 生成品質を著しく向上させ, 各種タスクの最先端化を実現する。
  論文  参考訳（メタデータ） (2022-12-13T01:36:56Z)
• Visiting the Invisible: Layer-by-Layer Completed Scene Decomposition [57.088328223220934]
  既存のシーン理解システムは、主にシーンの可視部分を認識し、現実世界の物理的物体の無傷な外観を無視します。 本研究では,ある場面における物体と背景の可視部分と可視部分の両方に取り組む高レベルのシーン理解システムを提案する。
  論文  参考訳（メタデータ） (2021-04-12T11:37:23Z)
• Self-Supervised Scene De-occlusion [186.89979151728636]
  本稿では,隠蔽対象の隠蔽順序を復元し,隠蔽対象の見えない部分を完成させることを目的としたシーン非隠蔽問題について検討する。 そこで本研究では,隠されたシーン構造を監視対象として指示やアモーダルアノテーションを使わずに復元する,新規で統一的なフレームワークを用いて,この問題に対処する試みを行う。 そこで,PCNet-M と PCNet-C をベースとして,プログレッシブ・オーダリング・リカバリ,アモーダル・コンプリーメント,コンテント・コンプリートを通じてシーン・デオクルージョンを実現する新しい推論手法を考案した。
  論文  参考訳（メタデータ） (2020-04-06T16:31:11Z)

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。