論文の概要: Efficient and Faithful High-Resolution Image Editing with Sparse Cross-Resolution Denoising

• arxiv url: http://arxiv.org/abs/2611.04416v1
• Date: Tue, 03 Nov 2026 06:58:26 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:57:35.674989
• Title: Efficient and Faithful High-Resolution Image Editing with Sparse Cross-Resolution Denoising
• Title（参考訳）: スパース・クロス・リゾリューションデノイングによる高分解能高分解能画像の高精細化
• Abstract要約: スパース・クロスレゾリューション・デノナイジングに基づくネイティブな高分解能エディタを提案する。 トレーニングフリープログレッシブパスは、1Kプレフィックスで早期の高分解能デノナイジングを置き換え、同じエディタで改善を完了させる。 VINS-4KEvalでは、2Kと4Kの両方で比較した手法の中で、直接モデルが最も高い構造的忠実性を達成する。
• 参考スコア（独自算出の注目度）: 24.691963022255624
• License:
• Abstract: Instruction-based image editors still primarily operate at 1K, whereas practical editing increasingly requires faithful 2K/4K outputs. Dense high-resolution adaptation preserves the editing trajectory but incurs expensive target-source attention; editing at 1K followed by external refinement is cheaper but can separate detail restoration from the editing trajectory. We introduce FLASH, a native high-resolution editor based on sparse cross-resolution denoising. A frozen 1K branch provides a semantic and structural anchor, while a target-resolution branch reconstructs local detail within the same Transformer. An asymmetric topology retains full 1K attention, guides high-resolution queries with spatially aligned low-resolution noisy-target states, and confines high-resolution target-reference interaction to local Halo neighborhoods. Resolution-specific diffusion-state mapping and spatial YaRN adapt the pretrained editor to larger grids. An optional, training-free progressive path replaces early high-resolution denoising with a 1K prefix and completes refinement in the same editor. On VINS-4KEval, the direct model achieves the strongest structural fidelity among the compared methods at both 2K and 4K. A separate 4K forward benchmark with R = 1 records 4.2x faster total forward execution and 25.3x faster attention than dense target-reference attention. Progressive inference reduces end-to-end 4K latency by 30.5%, with a modest quality cost.
• Abstract（参考訳）: インストラクションベースのイメージエディタは、主に1Kで動作するが、実用的な編集には忠実な2K/4K出力が必要である。 高解像度の適応は編集軌跡を保存するが、高価なターゲットソースの注意を惹きつける。 スパース・クロスレゾリューション・デノーミングに基づくネイティブ高解像度エディタFLASHを紹介する。 凍結された1Kブランチはセマンティックで構造的なアンカーを提供し、ターゲットレゾリューションブランチは同じトランスフォーマー内のローカル詳細を再構築する。 非対称トポロジーは、フル1Kの注意を保ち、空間的に整列された低分解能ターゲット状態を持つ高分解能クエリを誘導し、局所ハロー地区との高分解能ターゲット参照相互作用を限定する。 分解能特異的拡散状態マッピングと空間YaRNは、事前訓練されたエディタをより大きなグリッドに適応させる。 オプションでトレーニング不要なプログレッシブパスは、早期の高分解能デノナイジングを1Kプレフィックスに置き換え、同じエディタで改善を完了させる。 VINS-4KEvalでは、2Kと4Kの両方で比較した手法の中で、直接モデルが最も高い構造的忠実性を達成する。 R = 1 の別々の4Kフォワードベンチマークは、高密度なターゲット参照アテンションよりも4.2倍高速で全フォワード実行と25.3倍高速である。 プログレッシブ推論により、エンドツーエンドの4Kレイテンシが30.5%削減され、質はわずかである。

関連論文リスト

• BluePixel: Toward Native 4K Agentic Image Editing [42.31202870940974]
  エージェントハーネスを備えたネイティブ4K編集モデルであるBluePixelを提案する。 プログレッシブなVAE適応により、1K対応のエディタをネイティブな4Kエディタに変換する。 BluePixelは、7つのモデルの中で第2位であり、非編集領域の一貫性においてGPT Image 2に次いでいる。
  論文  参考訳（メタデータ） (2026-10-14T09:37:09Z)
• LoopLUT: 3D Lookup Tables with Progressive Region Refinement for Real-Time 4K Image Enhancement [19.289549222817435]
  LoopLUTはプログレッシブリファインメントを備えた3D LUTである。 グローバル LUT が全体の修正を行い、その後 K-1 ループの繰り返しが続く。 4つのベンチマーク実験により、LoopLUTは最強の先行法よりも最大2.81dBのPSNRを改善することが示された。
  論文  参考訳（メタデータ） (2026-09-27T14:10:55Z)
• EDITBRIDGE: Towards Faithful and Efficient Ultra-High-Resolution Image Editing [32.87034497388552]
  EditBridgeは、効率的な超高解像度編集のための拡散ブリッジフレームワークである。 本稿では,第1段階の編集から意味的対応を利用して画像間の相互作用を制約する,事前誘導型ブロックワイド・スパースアテンション機構を提案する。 実験では、EditBridgeは4Kまでの解像度で優れた知覚品質の高忠実な編集を実現し、2Kで3.6--8.4$times$ Speedupを提供し、61秒で実用的な4K編集を可能にする。
  論文  参考訳（メタデータ） (2026-08-18T17:53:16Z)
• HiReFF: High-Resolution Feedforward Human Reconstruction from Uncalibrated Sparse-View Video [58.85548854304172]
  HiReFFは、2K解像度の360度ビデオ再構成のためのフィードフォワード方式である。 この問題を,スパースビデオからの3次元ガウス再構成と,計算効率の良い高分解能合成という2つの重要な課題に分解する。 実験により、HiReFFは高解像度のストリーミングビデオ再構成において既存の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2026-06-28T11:01:36Z)
• Scaling Parallel Sequence Models to Foundation-Scale Vision Encoders [123.58723804218151]
  ビジョンファウンデーションモデルは、自己注意の二次的なコストによってボトルネックとなる。 2次元空間伝搬伝搬に基づくC-GSPNを提案する。
  論文  参考訳（メタデータ） (2026-05-30T14:29:43Z)
• HierEdit: Region-Aware Hierarchical Diffusion for Efficient High-Resolution Editing [83.1290629939693]
  プロやクリエイティブなアプリケーションには高解像度の画像編集が不可欠である。 現在のアプローチでは、イメージキャンバス全体を冗長に処理するか、大規模な高解像度データセットに依存している。 高速かつスケーラブルな高解像度画像編集のための領域対応階層拡散フレームワークであるHierEditを紹介する。
  論文  参考訳（メタデータ） (2026-05-17T07:14:15Z)
• LightAVSeg: Lightweight Audio-Visual Segmentation [67.18006751024687]
  LightAVSegは、セマンティックフィルタリングと空間接地のための分離された設計に置き換わっている。 実験では、軽量メソッド間で新しい最先端を実現することを実証している。 MS3ベンチマークで50.4 mIoUに達し、モバイルプロセッサでの効率的な推論を可能にする。
  論文  参考訳（メタデータ） (2026-05-09T08:47:54Z)
• DiT-IC: Aligned Diffusion Transformer for Efficient Image Compression [56.68267606568949]
  DiT-ICは画像圧縮用アライメント拡散変換器である。 U-NetをDiffusion Transformerに置き換え、32倍のダウンスケール解像度で遅延空間での拡散を可能にする。 16GBのラップトップGPUで2048x2048画像を再構成できる。
  論文  参考訳（メタデータ） (2026-03-13T16:56:00Z)
• UltraFlux: Data-Model Co-Design for High-quality Native 4K Text-to-Image Generation across Diverse Aspect Ratios [11.829523789114377]
  我々は、MultiAspect-4K-1Mで4Kで訓練されたFluxベースのDiTであるUltraFluxを紹介する。 モデル側では、UltraFluxは4Kでのトレーニングウインドウ、周波数、AR対応の位置符号化のためにResonance 2D RoPEとYaRNを結合する。 4096年のAesthetic-EvalベンチマークとマルチAR 4K設定では、UltraFluxはフィデリティ、美学、アライメントのメトリクスで、強力なオープンソース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） (2025-11-22T13:07:21Z)
• Scale-DiT: Ultra-High-Resolution Image Generation with Hierarchical Local Attention [50.391914489898774]
  Scale-DiTは、階層的な局所的注意を低解像度のグローバルガイダンスで導入する新しい拡散フレームワークである。 軽量なLoRA適応は、デノナイズ中のグローバルパスとローカルパスをブリッジし、構造と詳細の整合性を確保する。 実験によると、Scale-DiTは2ドル以上の高速な推論とメモリ使用量の削減を実現している。
  論文  参考訳（メタデータ） (2025-10-18T03:15:26Z)

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。