FlashEdit: Decoupling Speed, Structure, and Semantics for Precise Image Editing
Shanghai Jiao Tong University(上海交通大学);ETH Zürich(苏黎世联邦理工学院)
本文提出FlashEdit,一种高效的局部图像编辑框架,通过解耦速度、结构和语义来实现精确编辑,实验表明其在保真度和效率之间取得了良好的平衡。
2026-05-18 cs.CV
Noise Map Guidance: Inversion with Spatial Context for Real Image Editing
Korea University(高丽大学);NAVER Cloud(NAVER云);POSTECH(浦项科技大学);Yonsei University(延世大学)
针对文本引导扩散模型编辑真实图像时重建质量下降的问题,提出噪声图引导(NMG)反演方法,无需优化即可保留空间上下文,提升编辑保真度,并兼容多种编辑技术。
2024-02-07 cs.CV
LayerEdit: Disentangled Multi-Object Editing via Conflict-Aware Multi-Layer Learning
University of Science and Technology of China(中国科学技术大学)
针对现有文本驱动多目标图像编辑忽略目标间交互导致编辑泄漏或约束的问题,提出无需训练的多层解耦框架LayerEdit,通过冲突感知分层分解、目标分层编辑和透明度引导融合,实现无冲突编辑,在复杂场景中提升目标内可控性与目标间连贯性。
2025-11-11 cs.CV
LimeCross: Context-Conditioned Layered Image Editing with Structural Consistency
RPTU Kaiserslautern-Landau \& DFKI GmbH, Kaiserslautern, Germany Faculty of Science;Engineering, Hosei University, Tokyo, Japan EQUES, Tokyo, Japan
LimeCross通过上下文条件分层图像编辑框架,实现基于文本的可控编辑,保持结构一致性,提升图像合成的真实性和透明度稳定性。
2026-05-11 cs.CV
Editable Generative Adversarial Networks: Generating and Editing Faces Simultaneously
Yonsei University(延世大学)
我们提出了一个新的框架,同时生成和操纵所需属性的人脸图像。虽然最先进的属性编辑技术在创建逼真的属性效果方面取得了令人印象深刻的性能,但它们仅解决图像编辑问题,使用输入图像作为模型的条件。最近,一些研究试图使用单一的解决方案来解决新的人脸生成和属性编辑问题。然而,其图像质量仍然不令人满意。我们的目标是开发一个统一的模型,可以同时创建和编辑具有所需属性的高质量人脸图像。我们的工作的一个关键思想是,我们将图像分解成低维表示的潜在和属性向量,然后利用GAN框架将低维表示映射到图像。通过这种方式,我们可以通过学习生成器来解决生成和编辑问题。对于定性和定量评估,该算法优于最近的算法解决同样的问题。此外,我们表明,我们的模型可以实现具有竞争力的性能与国家的最先进的属性编辑技术的属性编辑质量。
2018-07-20 cs.CV
Editing Everything Everywhere All at Once
University of Modena and Reggio Emilia(摩德纳和雷焦艾米利亚大学);ETH Zurich(苏黎世联邦理工学院);Google(谷歌)
提出MICE方法,通过修改联合注意力机制中的加性偏置来调控多实例编辑中的交互,实现无需训练的多实例图像编辑,在保持全局一致性的同时增强属性绑定。
2026-07-01 cs.CV
Training-Free Disentangled Text-Guided Image Editing via Sparse Latent Constraints
Department of Informatics Engineering Universitas Brawijaya Malang, Indonesia(信息工程系 乌姆拉大学 马拉邦,印度尼西亚)
本文提出一种无需训练的解耦文本引导图像编辑方法,通过引入稀疏潜在约束减少属性纠缠问题,提升编辑的可控性与准确性。
2025-12-25 cs.CV
DecFlowEdit: Self-Localized Flow-based Image Editing via Guidance Decoupling
Zhejiang University(浙江大学);University at Buffalo(纽约州立大学布法罗分校);University of California, Berkeley(加州大学伯克利分校)
本文提出DecFlowEdit,通过解耦定位与编辑的引导尺度,利用无CFG的速度差异先验重加权更新,实现无需训练和反转的基于流图像编辑,显著减少背景泄漏并保持编辑质量。
2026-09-29 cs.CV
Edit Spillover as a Probe: Do Image Editing Models Implicitly Understand World Relations?
iFLYTEK
研究探讨图像编辑模型中编辑溢出现象,通过系统框架评估不同模型的隐式世界理解能力,发现溢出率差异显著,且语义相关性溢出反映真实理解。
2026-03-18 cs.CV
ASTRA: Let Arbitrary Subjects Transform in Video Editing
NExT++ Research Centre, National University of Singapore(新加坡国立大学NExT++研究中心);School of Computer Science and Engineering, Nanjing University of Science and Technology(南京理工大学计算机科学与工程学院);College of Information Science and Technology and Artificial Intelligence, Nanjing Forestry University(南京林业大学信息科学与技术学院及人工智能学院)
ASTRA提出一种无需训练的视频编辑框架,通过多模态对齐模块和先验掩码重定位模块解决密集多主体场景中的注意力稀释和边界纠缠问题,实现精准操控与非目标区域的严格保留。
2026-04-14 cs.CV
DualNeRF: Text-Driven 3D Scene Editing via Dual-Field Representation
DualNeRF提出双场表示与模拟退火策略,解决IN2N在文字驱动三维场景编辑中的背景模糊和局部最优问题,并利用CLIP指标提升编辑质量。
2025-02-22 cs.CV
MIST: Mitigating Intersectional Bias with Disentangled Cross-Attention Editing in Text-to-Image Diffusion Models
Virginia Tech(弗吉尼亚理工大学)
本文提出MIST方法,通过解耦编辑交叉注意力图来缓解文本到图像扩散模型中的交叉性偏见,无需额外参考图像且保持原始生成质量,并在多种属性上超越现有去偏方法。
2024-03-28 cs.CV
Enhancing Text-to-Image Editing via Hybrid Mask-Informed Fusion
Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
本文提出MaSaFusion方法,利用掩码信息和自注意力融合,改进扩散模型文本到图像编辑,解决纹理保留与角色创建冲突,显著提升编辑效果。
2024-09-19 cs.CV
InstructVEdit: A Holistic Approach for Instructional Video Editing
Xidian University(西安电子科技大学);Meituan Inc.(美团公司);University of Sydney(悉尼大学);Wuhan University(武汉大学)
针对指令式视频编辑面临的高质量训练数据稀缺、缺乏整体性框架的问题,提出全周期方法InstructVEdit,通过构建数据集工作流、改进模型架构、迭代优化策略,实现了该任务的当前最优性能,适配多样真实场景。
2025-03-22 cs.CV
FateZero: Fusing Attentions for Zero-shot Text-based Video Editing
HKUST(香港科技大学);Tencent AI Lab(腾讯人工智能实验室);CAIR, HKISI-CAS(中国科学院香港创新研究院人工智能与机器人创新中心)
FateZero提出零样本文本驱动视频编辑方法,通过融合反演中捕获的注意力图及时空注意力,实现无需训练或掩码的一致视频编辑,优于先前方法。
2023-10-11 cs.CV
FED-NeRF: Achieve High 3D Consistency and Temporal Coherence for Face Video Editing on Dynamic NeRF
HKUST(香港科技大学);Dartmouth College(达特茅斯学院)
本文提出FED-NeRF,一种基于动态人脸GAN-NeRF的新型人脸视频编辑架构,通过恢复潜在编码和3D人脸几何实现多视角一致性,并利用稳定器保持连续帧表情平滑变化以解决抖动问题,实现时间连贯性。
2024-01-05 cs.CV
FlexiEdit: Frequency-Aware Latent Refinement for Enhanced Non-Rigid Editing
Korea Advanced Institute of Science and Technology(韩国科学技术院)
针对DDIM Inversion在非刚性图像编辑中的局限,FlexiEdit通过细化DDIM潜变量以减少目标区域高频分量,并结合重反转增强编辑保真度,显著提升了复杂非刚性编辑能力。
2024-07-25 cs.CV
SAM-Flow: Source-Anchored Masked Flow for Training-Free Image Editing
Tianjin Key Laboratory of Imaging and Sensing Microelectronic Technology, School of Microelectronics, Tianjin University(天津影像与传感微电子技术重点实验室,微电子学院,天津大学);School of Cyber Security, Tianjin University(网络安全学院,天津大学)
提出SAM-Flow框架,通过源锚定掩码流和动态软掩码机制实现局部免训练图像编辑,有效防止背景泄漏。
2026-06-04 cs.CV
Improving Tuning-Free Real Image Editing with Proximal Guidance
Rutgers University(罗格斯大学);Laval University(拉瓦尔大学);New York University(纽约大学);UT Austin(德克萨斯大学奥斯汀分校);MIT-IBM AI Lab(麻省理工学院-IBM人工智能实验室)
本文提出近端引导并结合交叉注意力与互自注意力控制来增强负提示反演,在保持免训练特性的同时减少伪影并支持几何布局编辑,从而以最小计算开销改进免调优真实图像编辑。
2023-07-06 cs.CV
LORE: Latent Optimization for Precise Semantic Control in Rectified Flow-based Image Editing
本文提出无需训练的LORE方法,通过直接优化反演噪声解决整流流图像编辑中源概念语义偏置问题,在多个基准上实现稳定可控的通用概念替换并显著优于现有方法。
2025-08-21 cs.CV
MAG-Edit: Localized Image Editing in Complex Scenarios via Mask-Based Attention-Adjusted Guidance
Communication University of China(中国传媒大学);National University of Singapore(新加坡国立大学)
MAG-Edit提出一种无需训练、推理阶段优化的方法,通过最大化掩码交叉注意力约束,实现复杂场景下的局部图像编辑,兼顾文本对齐与结构保留。
2023-12-21 cs.AI cs.CV
PSF-4D: A Progressive Sampling Framework for View Consistent 4D Editing
Wayne State University(韦恩州立大学);University of Central Florida(中佛罗里达大学);Miami University(迈阿密大学)
提出PSF-4D框架,通过控制前向扩散噪声初始化并设计相关高斯噪声结构与跨视图噪声模型,实现时间与多视图一致的4D编辑,无需外部模型即优于现有方法。
2025-04-01 cs.CV
End-to-End Visual Editing with a Generatively Pre-Trained Artist
University of Oxford(牛津大学);Meta AI
我们考虑目标图像编辑问题:将源图像中的区域与指定所需更改的驱动程序图像混合。与之前的工作不同,我们通过学习编辑的条件概率分布来解决这个问题,端到端。训练这样的模型需要解决一个基本的技术挑战:缺乏用于训练的示例编辑。为此,我们提出了一种自我监督的方法,通过在目标域中增强现成的图像来模拟编辑。好处是显著的:作为最先进的自回归Transformer实现,我们的方法很简单,避开了以前基于GAN先验的方法的困难,获得了更好的编辑,并且效率很高。此外,我们表明,不同的混合效果可以通过直观的控制增强过程中学习,没有其他的变化需要的模型架构。我们在广泛的定量和定性实验(包括人体研究)中证明了这种方法在多个数据集上的优越性,显著优于先前的工作。
2022-05-03 cs.CV
V2Edit: Versatile Video Diffusion Editor for Videos and 3D Scenes
Zhejiang University(浙江大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
提出无需训练的 V$^2$Edit 框架,通过渐进任务分解与噪声、交叉注意力控制实现视频编辑,并以“渲染-编辑-重建”扩展至高质量3D一致场景编辑。
2025-03-14 cs.CV
Text-to-image Editing by Image Information Removal
Boston University(波士顿大学);Amazon Alexa AI(亚马逊Alexa AI)
针对现有扩散模型图像编辑方法存在的过拟合、信息泄露、属性保留难等问题,提出带图像信息移除模块的文本到图像编辑模型,实现了更优的编辑性与保真度权衡,用户偏好度更高。
2023-11-07 cs.CV
Assessing Identity Leakage in Talking Face Generation: Metrics and Evaluation Framework
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);KIT Campus Transfer GmbH (KCT)(KIT校园转移公司);Istanbul Technical University(伊斯坦布尔技术大学);Carnegie Mellon University(卡内基梅隆大学)
本文提出了一种评估说话面部生成中身份泄露的系统方法,通过三种测试设置和衍生指标量化泄露问题,并探讨参考图像选择对泄露的影响。
2026-02-10 cs.CV eess.IV
LightningDrag: Lightning Fast and Accurate Drag-based Image Editing Emerging from Videos
National University of Singapore(新加坡国立大学);ByteDance Inc.(字节跳动公司)
针对现有基于拖拽的图像编辑方法速度慢、成功率低的问题,提出LightningDrag,将其重构为条件生成任务,从视频中学习运动信息,实现约1秒的高质量编辑,且泛化性和准确性更优。
2024-09-16 cs.CV
Identity-preserving Editing of Multiple Facial Attributes by Learning Global Edit Directions and Local Adjustments
Amirkabir University(阿米尔卡比尔大学)
本文提出 ID-Style,通过可学习全局方向与实例感知强度预测器实现多面部属性编辑,在网络规模减少约95%的同时显著提升身份保持与操控准确率。
2023-09-25 cs.CV
ColorEdit: Training-free Image-Guided Color editing with diffusion model
Zhejiang University(浙江大学)
本文提出了一种无需训练的图像引导颜色编辑方法ColorEdit,通过交叉注意力层的值矩阵对齐实现对象级颜色修改,并构建了首个颜色编辑基准COLORBENCH,在合成与真实图像上均优于现有方法。
2025-04-30 cs.AI cs.CV
DLEBench: Evaluating Small-scale Object Editing Ability for Instruction-based Image Editing Model
College of Computer Science(计算机科学学院);Artificial Intelligence(人工智能);Fudan University(复旦大学)
本文提出DLEBench,首个专门评估基于指令的图像编辑模型在小规模物体编辑能力的基准,通过1889个样本覆盖复杂场景,揭示了现有模型在小物体编辑上的性能差距,强调了专用基准的重要性。
2026-05-19 cs.AI cs.CV
OSVE: One Step Video Editing with One Step Diffusion Models
Korea University(韩国大学)
研究针对扩散模型文本引导视频编辑慢的问题,提出OSVE框架。通过训练可学习编码器预测初始噪声,引入UFE技术及滑动窗口策略保持一致性,实现高质量视频编辑,速度比现有方法快约155 - 171倍。
2026-07-23 cs.AI cs.CV
FADE: Frequency-Aware Diffusion Model Factorization for Video Editing
Department of Automation, Tsinghua University(自动化系,清华大学);Tsinghua Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院,清华大学)
FADE提出一种无需训练的视频编辑方法,通过频率感知分解预训练视频扩散模型并引入频谱引导调制,在保持时空结构的同时实现高效、时序连贯的视频编辑。
2025-06-06 cs.AI cs.CV
Integrating View Conditions for Image Synthesis
Collov Labs(科洛弗实验室);University of California, Berkeley(加利福尼亚大学伯克利分校);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
针对现有图像语义编辑难题,本文提出整合视角信息的图像合成框架,率先满足一致性、可控性与和谐性,并通过定量与定性实验验证其优于现有方法。
2024-05-08 cs.CV
The Forensic Cost of Watermark Removal: From Dedicated Attacks to Image Editing
IMATAG(IMATAG机构);IRISA, Univ. Rennes, INRIA, CNRS(IRISA大学、INRIA和CNRS)
本文提出水印移除检测(WRD)作为新评估维度,通过训练分类器检测移除痕迹,在10^{-3}假阳性率下实现最优检测,证明法医隐蔽性是水印移除的必要条件。
2026-05-27 cs.AI cs.CV
Training-free image inversion for one-step diffusion models
CVC, University of Alabama in Birmingham(CVC,阿拉巴马大学伯明翰分校);Machine Intelligence Institute, Masdar Institute of Science and Technology(机器智能研究所,马斯达尔科技 institute);Jilin University(吉林大学);City University of Hong Kong, Department of Geography(香港城市大学地理系)
提出一种无需训练的反演框架TFinv,通过迭代噪声对齐和后缀学习解决一步扩散模型中真实图像反演与编辑的关键挑战,实现高效编辑。
2026-09-29 cs.CV
SINE: SINgle Image Editing with Text-to-Image Diffusion Models
Rutgers University(罗格斯大学);Snap Inc.(Snap公司)
提出SINE方法,通过模型引导和补丁微调,解决单图像编辑中的过拟合与信息泄漏问题,实现风格改变、内容添加和对象操作。
2025-03-30 cs.AI cs.CV
PRIMEdit: Probability Redistribution for Instance-Aware Multi-Object Video Editing With a New Benchmark Dataset
KAIST(韩国科学技术院);Adobe Research(奥多比研究院);Chung-Ang University(中央大学)
提出零样本框架PRIMEdit,通过实例中心概率重分配和分离多实例采样,解决多对象视频编辑中的不忠实与泄漏问题,并引入MIVE数据集和CIA指标,显著优于现有方法。
2026-10-15 cs.CV
3D-VirtFusion: Synthetic 3D Data Augmentation through Generative Diffusion Models and Controllable Editing
Nanyang Technological University(南洋理工大学);College of Computing and Data Science, Nanyang Technological University(南洋理工大学计算与数据科学学院)
本文提出3D-VirtFusion新范式,利用预训练扩散模型和chatGPT生成并编辑2D图像,将其转换为3D对象并随机组合构建虚拟场景,无需真实数据即可生成大量3D标注数据,有效解决少样本学习和长尾类别不平衡问题,提升场景理解能力。
2024-08-25 cs.CV
FedOT: Ownership Verification and Leakage Tracing via Watermarks for Federated LDMs
Northwest Normal University(西北师范大学);The University of Tokyo(东京大学);National University of Singapore(新加坡国立大学);Sun Yat-sen University(中山大学)
提出FedOT框架,通过分块水印和潜向量变换解决联邦学习中潜扩散模型的所有权验证与恶意客户端泄露追踪问题。
2026-06-23 cs.CV
Instruct 4D-to-4D: Editing 4D Scenes as Pseudo-3D Scenes Using 2D Diffusion
Zhejiang University(浙江大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
提出 Instruct 4D-to-4D,将4D场景视为伪3D场景,结合增强IP2P、光流传播与深度投影,实现时空一致的高质量指令引导动态场景编辑。
2024-06-13 cs.AI cs.CV cs.LG
Magic Fixup: Streamlining Photo Editing by Watching Dynamic Videos
University of Maryland \& Adobe College Park MD USA;Adobe San Jose CA USA;Adobe Seattle CA USA;Adobe San Francisco CA USA;University of Maryland \& Adobe;Adobe
提出一种生成模型,利用视频作为监督,将粗略编辑的图像转换为遵循布局的逼真输出,同时转移细节并处理照明和交互等二阶效应。
2025-08-07 cs.CV
Text-to-Edit: Controllable End-to-End Video Ad Creation via Multimodal LLMs
ByteDance Inc(字节跳动公司)
本文提出基于MLLM的端到端Text-to-Edit框架,通过密集帧率、慢-快处理和文本控制机制提升视频广告编辑的时空理解与可控性。
2025-01-10 cs.CV
SmartFreeEdit: Mask-Free Spatial-Aware Image Editing with Complex Instruction Understanding
Institute of Artificial Intelligence(TeleAI), China Telecom(人工智能研究院(TeleAI),中国电信);The University of Hongkong(香港大学)
提出SmartFreeEdit框架,结合多模态大语言模型与超图增强修复架构,通过区域感知令牌、推理分割管道和超图修复模块,实现基于复杂指令的无掩码精确图像编辑,提升全局一致性。
2025-11-03 cs.CV cs.MM
ConceptPrune: Concept Editing in Diffusion Models via Skilled Neuron Pruning
University of Edinburgh(爱丁堡大学);Samsung AI Research Centre, Cambridge(三星剑桥人工智能研究中心)
本文提出免训练方法ConceptPrune,通过识别并剪枝扩散模型中负责生成不良概念的关键神经元区域实现概念遗忘,仅需剪枝约0.12%权重即可高效擦除多概念并抵御对抗性攻击。
2024-05-29 cs.AI cs.CV cs.LG
Addressing Image Hallucination in Text-to-Image Generation through Factual Image Retrieval
Kim Jaechul Graduate School of AI, KAIST(韩国科学技术院金在哲人工智能研究生院)
针对文本生成图像中的图像幻觉问题,研究将其分为三类,提出借助外部检索的事实图像、搭配InstructPix2Pix或IP-Adapter编辑工具生成符合事实与常识的图像的方法。
2024-07-15 cs.AI cs.CV
How to Make an Image More Memorable? A Deep Style Transfer Approach
University of Trento(特伦托大学);INRIA Grenoble(法国国家信息与自动化研究所格勒诺布尔分部);Fondazione Bruno Kessler(布鲁诺·凯斯勒基金会);University of Perugia(佩鲁贾大学)
最近的工作表明,可以自动预测图像的内在属性,如记忆力。在本文中,我们向前迈出了一步,解决这个问题:“我们可以使一个图像更令人难忘?".自动增加图像记忆力的方法将在许多应用领域产生影响,如教育、游戏或广告。我们的工作灵感来自于Instagram和Prisma等照片编辑应用程序中流行的应用滤镜编辑模式。在这种情况下,增加图像记忆力的问题映射到检索“纪念”过滤器或风格“种子”的问题。尽管如此,用户在找到所需的解决方案之前通常必须通过大多数可用的过滤器,从而将编辑过程变成一项耗费资源和时间的任务。在这项工作中,我们证明了可以自动检索给定图像的最佳样式种子,从而显着减少了找到良好匹配所需的人工尝试次数。我们的方法利用了图像合成领域的最新进展,并采用了一种深层架构,用于从给定的输入图像和风格种子生成令人难忘的图片。重要的是,为了自动选择最佳风格,提出了一种新的基于学习的解决方案,也依赖于深度模型。我们的实验评估,进行公开的基准,证明了所提出的方法的有效性,通过自动风格种子选择生成难忘的图像
2017-04-06 cs.CV
Understanding Generative AI Capabilities in Everyday Image Editing Tasks
University of Alberta(阿尔伯塔大学);Auburn University(奥本大学);Adobe Research(Adobe 研究院)
本文通过分析Reddit上83k个真实图像编辑请求,评估了生成式AI(如GPT-4o)的能力,发现仅约33%的请求可被最佳AI编辑器完成,且AI在低创造性精确编辑任务上表现更差,常难以保持身份特征。
2025-05-26 cs.AI cs.CV
SPIE: Semantic and Structural Post-Training of Image Editing Diffusion Models with AI feedback
本文提出SPIE方法,通过在线强化学习和AI反馈对图像编辑扩散模型进行后训练,利用视觉提示实现精准的语义与结构编辑,仅需少量参考图像和训练步骤即可显著提升复杂场景编辑的指令对齐度与真实感。
2025-08-12 cs.AI cs.CV cs.LG
My Emotion on your face: The use of Facial Keypoint Detection to preserve Emotions in Latent Space Editing
School of Computing, Newcastle University, UK(计算学院,新castle大学,英国)
针对StyleGAN/2隐空间编辑中的特征纠缠导致表情改变问题,本文提出加入预训练面部关键点检测模型提供的HFLD损失,最高减少49%的情绪变化。
2025-05-09 cs.AI cs.CV
PromptDresser: Improving the Quality and Controllability of Virtual Try-On via Generative Textual Prompt and Prompt-aware Mask
KAIST(韩国科学技术院)
提出PromptDresser,利用大型多模态模型生成文本提示并自适应调整掩码,解决文本可编辑虚拟试穿中的描述生成、信息冲突和编辑区域问题,显著提升生成质量与可控性。
2025-08-07 cs.AI cs.CV
DanceEditor: Towards Iterative Editable Music-driven Dance Generation with Open-Vocabulary Descriptions
Peking University(北京大学);The Hong Kong University of Science and Technology(香港科技大学);Beijing University of Posts and Telecommunications(北京邮电大学)
针对现有音乐驱动舞蹈生成方法缺乏编辑功能的问题,构建DanceRemix多轮可编辑数据集,提出DanceEditor框架,通过预测-编辑范式整合音乐与文本条件,实现开放词汇描述下的迭代可编辑舞蹈生成并优于现有模型。
2025-08-24 cs.CV cs.GR cs.MM
The Image Local Autoregressive Transformer
School of Data Science(数据科学学院);Fudan University(复旦大学)
最近,由Transformers授权的用于整个图像生成的自回归(AR)模型已经实现了与生成对抗网络(GANs)相当甚至更好的性能。然而,直接应用这种AR模型来编辑/改变局部图像区域,可能遭受全局信息丢失、推理速度慢和局部指导信息泄漏的问题。针对这些局限性,我们提出了一种新的模型--图像局部自回归Transformer(iLAT),以更好地促进局部引导的图像合成。我们的iLAT学习新的本地离散表示,通过新提出的本地自回归(LA)Transformer的注意力掩模和卷积机制。因此,iLAT可以有效地合成局部图像区域的关键指导信息。我们的iLAT在各种本地引导的图像合成上进行评估,例如姿势引导的人物图像合成和面部编辑。定量和定性的结果都显示了我们的模型的有效性。
2021-10-18 cs.CV eess.IV
Face-MakeUpV2: Facial Consistency Learning for Controllable Text-to-Image Generation
Face-MakeUpV2通过引入3D面部渲染和全局面部特征通道,解决文本到图像生成中的面部属性泄露和物理一致性问题,实现更可控的面部生成。
2025-12-01 cs.AI cs.CV eess.IV
DiffUHaul: A Training-Free Method for Object Dragging in Images
The Hebrew University of Jerusalem(耶路撒冷希伯来大学);NVIDIA Research(英伟达研究院);Reichman University(赖希曼大学)
DiffUHaul提出一种无需训练的物体拖拽方法,利用局部化文本到图像模型的空间理解,通过注意力掩码、自注意力共享和扩散锚定技术实现高质量编辑,并引入自动化评估流程验证效果。
2024-09-08 cs.CV cs.GR cs.LG