論文の概要: TailSteer: Trajectory-Tail Steering for Drift-Resistant Multi-turn Image Editing

• arxiv url: http://arxiv.org/abs/2611.06741v1
• Date: Wed, 04 Nov 2026 16:23:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:58.202493
• Title: TailSteer: Trajectory-Tail Steering for Drift-Resistant Multi-turn Image Editing
• Title（参考訳）: TailSteer:Drift-Resistant Multi-turn画像編集のための軌道追従ステアリング
• Abstract要約: 強いシングルターン編集性能は、信頼できるマルチターンインタラクションを保証しない。 初期のトレーニングで得られた生成および編集能力を維持しつつ、マルチターンロバスト性を向上させるトレーニングフレームワークであるTailSteerを紹介した。 FLUX、SenseNova、Qwenファミリーでの実験では、TailSteerは15～20回の編集回転で累積ドリフトを大幅に削減している。
• 参考スコア（独自算出の注目度）: 51.10450272589788
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Strong single-turn editing performance does not guarantee reliable multi-turn interaction: as edited outputs are repeatedly reused, small unintended changes can accumulate into severe visual drift. This long-term drift is often mitigated through training on multi-turn data or cross-turn rollouts, potentially altering pretrained priors, or through specialized inference-time mechanisms that are difficult to scale to foundation models. We introduce TailSteer, a final-stage training framework that improves multi-turn robustness while retaining the generative and editing capabilities acquired through earlier training. TailSteer follows a simple principle: keep early denoising dynamics close to those of the base model and concentrate preservation corrections near the trajectory tail, where fine-grained deviations can be suppressed. These corrections are learned from the editor's own on-policy denoising rollouts, using unchanged source content as a preservation reference without requiring curated ground-truth editing pairs. Experiments across the FLUX, SenseNova, and Qwen families show that TailSteer substantially reduces cumulative drift over 15-20 editing turns while largely preserving base-model performance on extensive text-to-image and single-image editing benchmarks. These results demonstrate that long-horizon editing robustness can be unlocked in foundation models after TailSteer, rather than by relearning their existing capabilities.
• Abstract（参考訳）: 強いシングルターン編集性能は、信頼できるマルチターンインタラクションを保証しない: 編集された出力が繰り返し再利用されるため、意図しない小さな変更が重度の視覚的ドリフトに蓄積される。 この長期のドリフトは、マルチターンデータやクロスターンロールアウトのトレーニング、事前訓練された事前変更の可能性、あるいは基礎モデルへのスケールが難しい特別な推論時メカニズムによって緩和されることが多い。 このフレームワークは、複数ターンの堅牢性を向上し、初期のトレーニングで獲得した生成および編集能力を維持しながら、最終段階のトレーニングフレームワークである。 TailSteerは単純な原理に従っており、ベースモデルのそれに近い早期にデノナイジングダイナミクスを保ち、軌道尾部付近の保存補正を集中させることで、細かい偏差を抑えることができる。 これらの補正は、編集済みの地味な編集ペアを必要とせずに、変更のないソースコンテンツを保存基準として使用して、編集者自身のオン・ポリケーション・ロールアウトから学習される。 FLUX、SenseNova、Qwenファミリーでの実験では、TailSteerは15～20の編集ターンよりも累積ドリフトを大幅に減らし、大規模なテキスト・ツー・イメージとシングルイメージの編集ベンチマークでベースモデルのパフォーマンスを保っている。 これらの結果から,TailSteer以降の基盤モデルでは,既存の機能を再学習するのではなく,長期的編集の堅牢性を解放できることが示唆された。

関連論文リスト

• MT Forcing: Towards Stable and Consistent Multi-Turn Image Editing with Autoregressive Diffusion [64.00373533732684]
  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。
  論文  参考訳（メタデータ） (2026-10-18T17:01:40Z)
• 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)
• Edit-VAR: Taming Visual Autoregressive Model for Precise Video Editing [5.942585315235058]
  テキスト誘導ビデオ編集は、未編集領域の外観と時間的コヒーレンスを維持しながら、ターゲット内容を変更する。 トレーニングベースのアプローチは強力な制御を提供するが、かなりのデータと計算を必要とする。 インバージョンフリーアプローチはトラジェクトリリカバリを回避するが、ソース保存ガイダンスは編集強度を制限し、セマンティックな変更を不完全なものにすることができる。 テキスト誘導ビデオ編集のためのトレーニング不要かつ反転不要な最初のフレームワークであるEdit- VARIについて,事前学習した視覚的自己回帰ビデオモデルを用いて紹介する。
  論文  参考訳（メタデータ） (2026-09-18T03:26:19Z)
• 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)
• DirectEdit: Step-Level Accurate Inversion for Flow-Based Image Editing [51.56484100374058]
  我々は、事前訓練されたテキスト・ツー・イメージ(T2I)モデルのトレーニング不要な編集方法であるDirectEditを提案する。 DirectEditは、追加の神経機能評価(NFE)を導入することなく、固有の再構成エラーを除去する 実験により、DirectEditは効率よく正確な画像編集を実現し、最先端の手法よりも優れたパフォーマンスを提供することが示された。
  論文  参考訳（メタデータ） (2026-05-04T10:09:18Z)

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。