論文の概要: EditJev: System One Routing for Image Editing Models

• arxiv url: http://arxiv.org/abs/2610.32635v1
• Date: Fri, 23 Oct 2026 13:46:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.533725
• Title: EditJev: System One Routing for Image Editing Models
• Title（参考訳）: EditJev: 画像編集モデルのためのシステム1ルーティング
• Abstract要約: 入力画像と編集命令が与えられた候補プールからエディタを動的に選択する画像編集モデルルーティングについて検討する。 システム1のルーティングモデルであるEditJevを導入し、単一のフォワードパスで候補画像編集モデルよりもサンプルレベルの選好スコアを直接予測する。
• 参考スコア（独自算出の注目度）: 14.144327926535034
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Instruction-based image editing models exhibit pronounced sample-specific performance variation: different models can produce substantially different results for the same source image and editing instruction, and the best-performing model often varies across requests. These models also differ substantially in inference latency, making fixed-model deployment inefficient. We therefore study image editing model routing, which dynamically selects an editor from a candidate pool given an input image and editing instruction. We introduce EditJev, a System One routing model that directly predicts sample-level preference scores over candidate image editing models in a single forward pass. A lightweight preference head on a vision-language backbone produces a fixed-dimensional score vector without autoregressive model-name generation or response parsing. To train EditJev, we construct pairwise preferences from offline candidate outputs and optimize a pairwise ranking objective to learn relative model suitability. At inference time, EditJev combines the predicted preference scores with model-level speed scores to balance editing quality and generation latency. Experiments on ImgEdit and GEdit-En show that EditJev improves aggregate quality over the strongest fixed editor, from 4.540 to 4.592 and from 8.194 to 8.255, respectively, while reducing estimated end-to-end latency by 60.8% and 31.7%. These results demonstrate the effectiveness of direct, structured model routing for efficient image editing.
• Abstract（参考訳）: 異なるモデルは、同じソースイメージと編集命令に対して実質的に異なる結果を生成することができ、最高のパフォーマンスモデルは要求によって異なることが多い。 これらのモデルは推論のレイテンシも大きく異なり、固定モデルのデプロイメントを非効率にする。 そこで我々は,入力画像と編集命令が与えられた候補プールからエディタを動的に選択する画像編集モデルルーティングについて検討する。 システム1のルーティングモデルであるEditJevを導入し、単一のフォワードパスで候補画像編集モデルよりもサンプルレベルの選好スコアを直接予測する。 視覚言語バックボーン上の軽量な選好ヘッドは、自己回帰モデル名生成や応答解析を伴わない固定次元スコアベクトルを生成する。 EditJevをトレーニングするために、オフライン候補出力からのペアワイズ選好を構築し、ペアワイズランキングの目的を最適化し、相対モデル適合性を学習する。 推測時に、EditJevは予測された選好スコアとモデルレベルのスピードスコアを組み合わせて、編集品質と生成遅延のバランスをとる。 ImgEditとGEdit-Enの実験では、EditJevは最大で4.540から4.592まで、そして8.194から8.255まで、合計品質を向上し、エンドツーエンドのレイテンシを60.8%、31.7%削減した。 これらの結果は、効率的な画像編集のための直接構造化されたモデルルーティングの有効性を示す。

関連論文リスト

• EditInfinity: Image Editing with Binary-Quantized Generative Models [64.05135380710749]
  画像編集のためのバイナリ量子化生成モデルのパラメータ効率適応について検討する。 具体的には、画像編集のためのバイナリ量子化生成モデルであるEmphInfinityを適応させるEditInfinityを提案する。 テキストの修正と画像スタイルの保存を促進させる,効率的かつ効果的な画像反転機構を提案する。
  論文  参考訳（メタデータ） (2025-10-23T05:06:24Z)
• EditScore: Unlocking Online RL for Image Editing via High-Fidelity Reward Modeling [71.8265422228785]
  強化学習(RL)は有望な解決策を提供するが、画像編集におけるその採用は、高忠実で効率的な報酬信号の欠如によって妨げられている。 我々は、最先端の特殊報酬モデルの開発を中心に、この障壁を克服するための包括的な方法論を提案する。
  論文  参考訳（メタデータ） (2025-09-28T14:28:24Z)
• ImgEdit: A Unified Image Editing Dataset and Benchmark [14.185771939071149]
  大規模な画像編集データセットであるImgEditを紹介した。 ImgEditはタスクノベルティとデータ品質の両方で既存のデータセットを上回っている。 画像編集性能を評価するためのベンチマークであるImgEdit-Benchを紹介する。
  論文  参考訳（メタデータ） (2025-05-26T17:53:33Z)
• EditAR: Unified Conditional Generation with Autoregressive Models [58.093860528672735]
  本稿では,条件付き画像生成タスクのための単一の統合自己回帰フレームワークであるEditARを提案する。 このモデルは、画像と命令の両方を入力として取り、バニラの次のパラダイムで編集された画像トークンを予測する。 確立されたベンチマークにおいて,様々なタスクにまたがる実効性を評価し,様々なタスク固有の手法に対する競争性能を示す。
  論文  参考訳（メタデータ） (2025-01-08T18:59:35Z)
• DreamOmni: Unified Image Generation and Editing [76.46811926046225]
  本稿では,画像生成と編集の統一モデルであるDream Omniを紹介する。 訓練のためにドリーム・オムニはT2I世代と下流のタスクを共同で訓練する。 このコラボレーションは、編集性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-12-22T17:17:28Z)
• Reasons and Solutions for the Decline in Model Performance after Editing [17.756172082400163]
  本稿では,編集モデルの性能低下の原因を考察し,編集方法を最適化する。 編集モデルの性能は、主に編集対象とシーケンス長の多様性に左右される。 本稿では,編集モデルの性能向上のために,Dump for Sequence (D4S) 法を提案する。
  論文  参考訳（メタデータ） (2024-10-31T11:49:44Z)

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。