論文の概要: StitchEdit: Stitching Depth Priors into Image Editors via Per-Layer Gradient Probing

• arxiv url: http://arxiv.org/abs/2611.07922v1
• Date: Thu, 05 Nov 2026 12:30:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.680299
• Title: StitchEdit: Stitching Depth Priors into Image Editors via Per-Layer Gradient Probing
• Title（参考訳）: StitchEdit: 階層ごとのグラディエントプロービングによる画像エディタへの奥行きの優先順位付け
• Abstract要約: 拡散モデルを用いたテキスト誘導画像編集は空間的編集に苦労する。 本稿では,まず背骨の幾何学的機能を軽量な深度デノゲートアダプターで活性化するStitchEditを提案する。 150の幾何依存編集のベンチマークであるStitchEditBenchでは、命令ベースと深さ条件付きベースラインの両方を知覚品質と幾何学的忠実度で一貫して上回っている。
• 参考スコア（独自算出の注目度）: 11.193655450184963
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-guided image editing with diffusion models struggles with spatial edits (e.g. manipulating objects, changing viewpoints, manipulating occlusions) that depend on the 3D structure understanding of a scene. Marigold and follow-up work demonstrate that a pretrained diffusion backbone already harbors strong geometric priors that can be activated for depth estimation, yet how to redirect these priors toward editing remains unresolved. Through per-layer gradient probing, we discover that the editing and depth objectives are compatible in early transformer layers but actively conflict in late layers, explaining why naive depth-conditioned editing either ignores geometry or degrades visual quality. We present StitchEdit, which first activates the backbone's geometric capability via a lightweight depth-denoising adapter, then selectively fine-tunes this adapter for editing using a probe-guided per-layer learning rate schedule that preserves depth knowledge where it helps and prunes it where it conflicts. On the proposed StitchEditBench, a benchmark of 150 geometry-dependent edits spanning spatial transformation, occlusion manipulation, and viewpoint change, StitchEdit consistently surpasses both instruction-based and depth-conditioned baselines on perceptual quality and geometric fidelity.
• Abstract（参考訳）: 拡散モデルを用いたテキスト誘導画像編集は、シーンの3次元構造理解に依存する空間的編集(例えば、オブジェクトの操作、視点の変化、オクルージョンの操作)に苦労する。 マリゴールドと後続の研究は、事前訓練された拡散バックボーンが、深度推定のために活性化できる強い幾何学的先行を既に持っていることを示しているが、これらの先行を編集に向けてどのようにリダイレクトするかは未解決のままである。 層間勾配探索により,初期変圧器層では編集目標と深度目標が相容れないが,後期層では活発に対立していることが判明し,なぜ裸の深度条件の編集が幾何学を無視するか,視覚的品質を劣化させるのかを解説した。 本稿では,まず背骨の幾何学的機能を軽量な深度デノゲーションアダプタで活性化し,次にプローブ誘導型階層ごとの学習率スケジュールを用いて編集するための微調整を行う。 空間変換、オクルージョン操作、視点変化にまたがる150の幾何依存編集のベンチマークであるStitchEditBenchにおいて、StitchEditは、知覚品質と幾何学的忠実性に関する命令ベースと深さ条件ベースの両方を一貫して上回っている。

関連論文リスト

• Geometry-Instructed Video Editing [54.86319853573801]
  GIVEは幾何学的に指示されたビデオ編集フレームワークで、統一されたオブジェクト状態の定式化によって編集を表現する。 我々は、オブジェクトレベルの編集プログラムを実行し、ペアの前後で制御されるレンダリングを行うスケーラブルなグラフィックスエンジンパイプラインを構築している。 実験結果から,GIVEは時間的コヒーレンスと一貫した二次効果で忠実な幾何学的編集を行うことが示された。
  論文  参考訳（メタデータ） (2026-06-23T07:11:45Z)
• GeM-NR: Geometry-Aware Multi-View Editing for Nonrigid Scene Changes [18.344326720479824]
  一般的なマルチビュー一貫した画像編集のためのトレーニング不要なアプローチであるGeM-NRを提案する。 アンカー画像とクエリ未編集画像が与えられた場合、GeM-NRはアンカー編集と一貫してクエリ画像を編集する。 本手法は,編集シーンの3次元表現生成を含む,多種多様な編集タスクの一貫性を向上させる。
  論文  参考訳（メタデータ） (2026-06-03T17:49:48Z)
• Feedforward 3D Editing Learns from Semantic-Part Transformation [13.61340944347895]
  フィードフォワード3D編集における中心的な課題は、高品質なペア管理の欠如にある。 スケーラブルなフィードフォワード3D編集はセマンティック部分変換から学習されるべきである。 PartFlowはフィードフォワード3D編集ネットワークで、ソース認識の潜伏制御を事前訓練された3D生成先行に注入する。
  論文  参考訳（メタデータ） (2026-05-26T17:51:59Z)
• VGGT-Edit: Feed-forward Native 3D Scene Editing with Residual Field Prediction [59.303842406260124]
  VGGT-Editはテキスト条件のネイティブ3Dシーン編集のためのフィードフォワードフレームワークである。 本研究では,奥行き同期テキストインジェクションを導入し,意味的指導をバックボーンの空間的ポーズと整合させる。 VGGT-Editは2Dリフトベースラインを大幅に上回り、よりシャープなオブジェクトの詳細、より強力なマルチビュー一貫性、ほぼインスタントな推論速度を生み出している。
  論文  参考訳（メタデータ） (2026-05-14T17:59:04Z)
• Illustrator's Depth: Monocular Layer Index Prediction for Image Decomposition [55.8308608221966]
  私たちはIllustratorのDepthを紹介します。これはデジタルコンテンツ作成における重要な課題に対処する、新しい深さの定義です。 アーティストの合成プロセスにインスパイアされたイラストレーターの深さは、各ピクセルに層インデックスを推論し、解釈可能な画像分解を形成する。
  論文  参考訳（メタデータ） (2025-11-21T17:56:43Z)
• Dragging with Geometry: From Pixels to Geometry-Guided Image Editing [42.176957681367185]
  幾何学誘導型ドラッグベース画像編集手法であるGeoDragを提案する。 ジオドラグは3次元幾何学と2次元空間先行を共同で符号化する統一された変位場に基づいており、コヒーレントで高忠実で構造に一貫性のある編集を可能にしている。
  論文  参考訳（メタデータ） (2025-09-30T03:53:11Z)
• Drag Your Gaussian: Effective Drag-Based Editing with Score Distillation for 3D Gaussian Splatting [55.14822004410817]
  DYGは3次元ガウススプラッティングのための効果的な3次元ドラッグベース編集法である。 3次元マスクと一対の制御点を入力して編集範囲を正確に制御できる。 DYGは暗黙三面体表現の強さを統合し、編集結果の幾何学的足場を確立する。
  論文  参考訳（メタデータ） (2025-01-30T18:51:54Z)
• Move and Act: Enhanced Object Manipulation and Background Integrity for Image Editing [20.01946775715704]
  インバージョンと編集という2つの分岐しか持たないチューニング不要な手法を提案する。 このアプローチにより、ユーザはオブジェクトのアクションを同時に編集し、編集されたオブジェクトの生成位置を制御することができる。 印象的な画像編集結果と定量的評価により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-07-25T08:00:49Z)

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。