論文の概要: ER-Chord: Spatially Consistent One-Step Image Editing via Equal-Energy Reliability Redistribution
- arxiv url: http://arxiv.org/abs/2610.29248v1
- Date: Wed, 21 Oct 2026 05:53:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.253373
- Title: ER-Chord: Spatially Consistent One-Step Image Editing via Equal-Energy Reliability Redistribution
- Title（参考訳）: ER-Chord:Equal-Energy Reliabilityによる空間的に一貫性のあるワンステップ画像編集
- Abstract要約: ER-Chordは、信頼性誘導空間再分配のためのトレーニングフリーでインバージョンフリーなフレームワークである。
我々は、この割り当てを、局所的な信頼性に応じて制御エネルギーを再分配する等エネルギーオペ-モチーフとして定式化する。
PIE-BenchとTEdBenchの2つのベンチマークの実験では、最先端のワンステップ編集ベースラインの改善が示されている。
- 参考スコア（独自算出の注目度）: 14.804090137828391
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: One-step generative models enable fast text-guided image editing, yet they often introduce unintended changes to regions that should remain unchanged. Temporal aggregation stabilizes editing fields across noise levels, but leaves their spatial allocation insensitive to local variations in reliability. Consequently, temporal stability alone does not ensure spatially consistent editing. To address this lim- itation, we propose ER-Chord, a training-free and inversion-free framework for reliability-guided spatial redistribution. Our key insight is that agreement between editing fields at neighboring noise levels provides a local reliability signal for allocating editing strength. We formulate this allocation as an equal-energy op- timization that redistributes control energy according to local reliability while preserving the original editing directions and total control energy. This formu- lation admits a unique global solution that can be efficiently computed using existing field evaluations, requiring no additional denoiser calls. Experiments on two benchmarks, PIE-Bench and TEdBench, demonstrate improvements over state-of-the-art one-step editing baselines, achieving superior source preservation alongside consistent gains across multiple generative backbones.The project page is at https://github.com/Peizeli1/ER-Chord.
- Abstract（参考訳）: ワンステップ生成モデルは高速なテキストガイド画像編集を可能にするが、変更すべき領域に意図しない変更を導入することも多い。
時間的アグリゲーションは、ノイズレベルを越えて編集領域を安定化させるが、その空間的アロケーションは、局所的な信頼性の変動に敏感である。
したがって、時間的安定性だけでは空間的に一貫した編集が保証されない。
このリム化に対処するため,ER-Chordは,信頼性に配慮した空間再分配のためのトレーニングフリーでインバージョンフリーなフレームワークである。
我々の重要な洞察は、近傍の騒音レベルにおける編集フィールド間の合意は、編集強度を割り当てるための局所的な信頼性信号を提供するということである。
我々は、この割り当てを、元の編集方向と総制御エネルギーを保存しながら、局所的な信頼性に応じて制御エネルギーを再分配する等エネルギーオペ-モチーフとして定式化する。
このformu-lationは、既存のフィールド評価を使って効率的に計算できるユニークなグローバルソリューションを認めており、追加のdenoiserコールは不要である。
PIE-BenchとTEdBenchの2つのベンチマークの実験は、最先端のワンステップ編集ベースラインの改善を実証し、複数の生成バックボーン間の一貫性のあるゲインと優れたソース保存を実現している。プロジェクトページはhttps://github.com/Peizeli1/ER-Chordにある。
関連論文リスト
- Mind the RefGAP: Correcting Reference Attention in Diffusion-Based Visual Editing [58.57757750251995]
RefGAPはトレーニング不要の補正であり、前方通過で測定された基準アテンション質量から各層のロジットオフセットの大きさをオンラインで決定する。
7つの拡散ベースの画像/ビデオエディタで、RefGAPはヘッドスワップとフェイススワップにおけるアイデンティティの忠実度を改善する。
論文 参考訳（メタデータ） (2026-09-28T17:44:13Z) - Beyond Temporal Smoothing: Spatial Energy Budgets Stabilize One-Step Diffusion Editing [15.377320015527898]
一段階のテキスト誘導拡散編集は効率的であるが、編集対象を歪ませ、背景を変更するような空間的に不適切な更新を行う傾向がある。
我々は,時間経過を平均化するのではなく,編集に要する時間を制御できる,トレーニングフリーでインバージョンフリーなエディタを開発した。
SD-Turboを使用したPIE-Benchでは、BudEditは、評価された11のメトリクスすべてに対して、各メソッドの報告されたデフォルト設定の下で、ChordEditよりもパフォーマンスがよい。
論文 参考訳（メタデータ） (2026-09-26T18:14:21Z) - ResetEdit: Precise Text-guided Editing of Generated Image via Resettable Starting Latent [45.3757356193519]
近年の拡散モデルにより高品質の画像生成が可能となり, ポストジェネレーションの需要が高まっている。
再生可能な潜伏情報を直接生成プロセスに埋め込むプロアクティブな拡散編集フレームワークであるResetEditを提案する。
安定拡散に基づいて構築されたResetEditは、既存のチューニング不要な編集メソッドとシームレスに統合され、制御性と視覚的忠実性の両方において、最先端のベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2026-04-28T02:05:08Z) - Region-Constrained Group Relative Policy Optimization for Flow-Based Image Editing [2.096755686662369]
本稿では,領域制約付きGRPOポストトレーニングフレームワークであるRC-GRPO-Editingを提案する。
バックグラウンド誘起ニュアンス分散を抑制して、よりクリーンなローカライズされたクレジット割り当てを可能にし、地域命令の順守を改善し、非ターゲットコンテンツを保存する。
CompBenchの実験では、編集領域の命令順守と非ターゲット保存が一貫した改善が見られた。
論文 参考訳（メタデータ） (2026-04-10T14:58:15Z) - Energy-Regularized Sequential Model Editing on Hyperspheres [59.47007547581175]
大規模言語モデル(LLM)は、進化する現実世界の知識と整合性を維持するために、定期的な更新を必要とする。
逐次編集はしばしば表現を不安定にし、破滅的な忘れを誘発する。
ニューロンの重量分布を安定化するHE駆動正規化戦略であるSPHERE(Sparse Projection for Hyperspherical Energy-Regularized Editing)を提案する。
論文 参考訳（メタデータ） (2025-10-01T17:55:43Z) - LatentEdit: Adaptive Latent Control for Consistent Semantic Editing [24.414252461549555]
LatentEditは、現在の潜伏コードとソースイメージから反転した参照潜伏コードを組み合わせた適応潜伏融合フレームワークである。
提案するLatentEditは,8～15ステップでも最先端の手法よりも高い精度で,忠実度と編集可能性の最適なバランスを実現する。
論文 参考訳（メタデータ） (2025-08-30T15:47:03Z) - Stable Score Distillation [45.48460025487433]
編集プロセスの安定性とアライメントを高めるための合理化フレームワークであるStable Score Distillation(SSD)を紹介する。
提案手法は,NeRFやテキスト駆動型スタイル編集を含む2次元および3次元の編集作業において,より高速な収束と複雑さの低減を実現している。
論文 参考訳（メタデータ） (2025-07-12T07:14:00Z) - Tuning-Free Image Editing with Fidelity and Editability via Unified Latent Diffusion Model [60.82962950960996]
拡散遅延最適化を行うチューニング不要なUnifyEditを導入する。
本研究では, 自己注意保持制約(SA)と相互注意アライメント制約(CA)の2つを開発し, テキストアライメントの強化を図る。
提案手法は,様々な編集作業における構造保存とテキストアライメントのバランスを保ち,他の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2025-04-08T01:02:50Z) - Editing Out-of-domain GAN Inversion via Differential Activations [56.62964029959131]
本稿では,構成分解パラダイムを用いて,ドメイン外反転問題に対処する新しいGAN事前編集フレームワークを提案する。
生成されたDiff-CAMマスクの助けを借りて、粗い再構成を直感的に元の画像と編集された画像で合成することができる。
また, 分解段階において, 粗い再構成から最終微編集画像を切り離すための, GAN 以前のデゴーストネットワークを提示する。
論文 参考訳（メタデータ） (2022-07-17T10:34:58Z)
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。