論文の概要: MT Forcing: Towards Stable and Consistent Multi-Turn Image Editing with Autoregressive Diffusion
- arxiv url: http://arxiv.org/abs/2610.25404v2
- Date: Wed, 21 Oct 2026 08:45:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.016855
- Title: MT Forcing: Towards Stable and Consistent Multi-Turn Image Editing with Autoregressive Diffusion
- Title（参考訳）: MT強制:自己回帰拡散による安定かつ一貫性のあるマルチTurn画像編集を目指して
- Abstract要約: 統一マルチモーダルモデル(UMM)を用いたマルチターン画像編集のための新しいトレーニングパラダイムであるMT Forcingを提案する。
具体的には,学生の自己ロールアウトを教師に監督し,ソース画像に累積的な編集を1ターンで行うシングルTurn Distribution Matching Distillation (Single-Turn DMD)を提案する。
また, 暖房時および蒸留時のレギュレータとして, 基準軌跡の履歴依存的遷移を監督する「教師強制指導」についても紹介する。
- 参考スコア（独自算出の注目度）: 64.00373533732684
- 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, enabling more effective interactive visual content creation for users. However, existing methods often exhibit noticeable drift after only a few editing turns, manifesting in two aspects: 1) unstable visual quality, with accumulating artifacts and degraded details; and 2) inconsistent image content, with unintended changes to preserved regions and prior edits. To address these challenges, we propose MT Forcing, a novel training paradigm for multi-turn image editing with unified multimodal models (UMMs) based on autoregressive diffusion. Specifically, we propose Single-Turn Distribution Matching Distillation (Single-Turn DMD), which supervises student self-rollouts with a teacher that applies cumulative edits to the source image in a single turn, providing visual-quality guidance without recursive error accumulation. Additionally, we introduce Teacher-Forcing Guidance, which supervises history-dependent transitions on reference trajectories during warmup and as a regularizer during distillation, encouraging cross-turn content consistency beyond what per-turn distribution matching alone can ensure. Extensive experiments demonstrate that our approach significantly improves the multi-turn image editing capabilities of UMMs, yielding more stable visual quality and stronger cross-turn consistency.
- Abstract（参考訳）: マルチターン画像編集は、命令の順序に応じて画像を修正することを目的としており、ユーザにとってより効果的なインタラクティブなビジュアルコンテンツ作成を可能にする。
しかし、既存の手法では、ほんの数回だけ編集した後に顕著なドリフトを示すことが多く、2つの側面で表される。
1) 人工物及び劣化した詳細を蓄積した不安定な視覚的品質
2) 画像内容に矛盾があり, 保存領域への意図しない変更, 編集前の変更がある。
これらの課題に対処するために,自己回帰拡散に基づく統一マルチモーダルモデル(UMM)を用いたマルチターン画像編集のための新しい訓練パラダイムであるMT Forcingを提案する。
具体的には,学生の自己ロールアウトを教師に監督し,ソースコードに累積的な編集を1ターンで施し,再帰的な誤りの蓄積を伴わずに視覚的質の高いガイダンスを提供するシングルTurn Distribution Matching Distillation (Single-Turn DMD)を提案する。
また, 温度上昇時と蒸留時のレギュレータとして, 参照軌跡の履歴依存的遷移を監督し, ターンごとの分布の整合性のみを保証できる点を超えて, ターン間のコンテントの整合性を促進する教師強制指導も導入した。
広汎な実験により、UMMのマルチターン画像編集能力は大幅に向上し、より安定した視覚的品質とより強力なクロスターン一貫性が得られることが示された。
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) - 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) - Editing Everything Everywhere All at Once [47.32746672482526]
MICE(Multi-Instance Concurrent Editing)は、マルチモーダル拡散変換器を用いたスケーラブルなマルチインスタンス画像編集のためのトレーニングフリー戦略である。
MICEは、インスタンス内の注意を許容し、近隣のトークン間の相互作用をペナライズし、無関係なクロスインスタンスの注意を抑える。
実験により、我々のアプローチは、視覚的品質の保存と編集指示への忠実性の点で、強力なベースラインや近年の競合よりも優れていることが示された。
論文 参考訳（メタデータ） (2026-06-30T07:52:46Z) - 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) - AnchorEdit: Maintaining Temporal Consistency in Multi-turn Image Editing via Causal Memory [58.322260363577016]
マルチターン画像編集は反復的な設計には不可欠であるが、現在のモデルは連続するステップでアイデンティティのドリフトやエラーの蓄積に悩まされることが多い。
AnchorEditは,高解像度・長期マルチターン編集に特化して設計された,最初の自己回帰(AR)拡散ベースのフレームワークである。
論文 参考訳（メタデータ） (2026-06-10T07:26:31Z) - MT-EditFlow: Reinforcement Learning for Multi-Turn Image Editing with Flow Matching [91.83651402045108]
MT-EditFlowは、逐次画像編集のための報酬信号の最適化を目的とした、フローマッチング強化学習フレームワークである。
MT-EditFlowは多種多様なベースモデル間で性能を著しく向上させることを示す。
論文 参考訳（メタデータ） (2026-06-01T09:46:10Z) - Towards Generalized Multi-Image Editing for Unified Multimodal Models [56.620038824933566]
統一マルチモーダルモデル(UMM)は、マルチモーダル理解と生成を統合する。
UMMは、複数の入力画像にまたがる詳細を参照する場合、視覚的一貫性の維持と視覚的手がかりの曖昧さに制限される。
画像の同一性を明確に識別し、可変入力数に一般化するUMMのためのスケーラブルなマルチイメージ編集フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-09T06:42:49Z) - InstructMix2Mix: Consistent Sparse-View Editing Through Multi-View Model Personalization [18.396730534582474]
I-Mix2Mixは,2次元拡散モデルの編集能力を事前学習した多視点拡散モデルに蒸留するフレームワークである。
実験により、I-Mix2Mixは高いフレーム単位の編集品質を維持しながら、マルチビューの一貫性を大幅に向上することが示された。
論文 参考訳（メタデータ） (2025-11-18T20:37:52Z) - Multi-turn Consistent Image Editing [23.195620233753957]
ユーザが反復的に編集を洗練できるマルチターン画像編集フレームワークを提案する。
提案手法は, 高精度な画像インバージョンのためのフローマッチングと, 安定サンプリングのための2目的線形二次レギュレータ (LQR) を利用する。
本フレームワークは,既存の手法に比べて編集成功率と視覚的忠実度を大幅に向上させる。
論文 参考訳（メタデータ） (2025-05-07T11:11:23Z) - 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)
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。