日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
画像編集arXiv:2610.24738

指示ベース編集と再利用可能なRGBAレイヤー生成を統合するLayerEditor

Editing Images into Reusable Layers via Compositional Edit-Prior Distillation

シェア:XThreadsFacebookLINEはてブBluesky

画像編集モデルの編集能力を保ちつつ、編集結果を順序付きの再利用可能なRGBAレイヤーとして生成する統合フレームワークを提案し、大規模データセットとベンチマークも構築した。

詳しい要約

1. どんなもの？

- 指示ベースの画像編集と再利用可能な RGBA layer の生成を統合した LayerEditor というフレームワーク - 編集済み canvas と順序付き RGB-Alpha layer 列を単一の token 列で表現する In-Context RGB-Alpha Token Modeling を中核とする - 学習・評価用に LayerEditor-100K データセットと layered editing 用 benchmark を構築 - 柔軟な layer 単位の操作と multi-layer decomposition を可能にする

2. 先行研究と比べてどこがすごい？

- 既存の編集モデルは flattened な出力のみで、局所操作や layer 再利用が困難 - 既存の decomposition 手法は layer 復元を指示駆動編集と切り離して最適化していた - LayerEditor は編集と layer 生成を単一フレームワークで結合 - 順序付き RGBA layer 注釈付きの大規模 paired データセット LayerEditor-100K と専用 benchmark を新たに提供

3. 技術・手法の肝は？

- In-Context RGB-Alpha Token Modeling により編集済み canvas と順序付き RGB-Alpha layer を同一 token 列で jointly 表現 - これにより意味的編集と個々の layer 内容への明示的制御を両立 - Compositional Edit-Prior Distillation を提案し、pretrained model の編集 prior を編集済み canvas と予測 layer から合成した画像の双方へ転移 - layered 出力への適応中に元の編集能力を保持する狙い

4. どうやって有効だと検証した？

- LayerEditor-100K を構築し、layered editing 用の専用 benchmark を導入 - 広範な実験を実施し、強い editing fidelity を維持しつつ正確な RGBA layer を生成することを示す - 柔軟な layer-level manipulation と multi-layer decomposition の両方を支持することを確認 - 具体的な指標・比較手法の詳細は要旨からは不明

5. 議論はある？

- 編集品質と layer 生成精度の両立を主張しているが、限界や失敗ケースの議論は要旨からは不明 - layer 順序や分解粒度の制御に関する詳細な議論は要旨からは不明 - データセットや benchmark の規模・多様性に関する議論は要旨からは不明

6. 次に読むべき論文は？

- 指示ベース画像編集の代表的手法（InstructPix2Pix 等の instruction-guided editing） - 画像分解・layer 復元の関連手法（layer decomposition / RGBA layer 生成） - token 列で画像と属性を統合表現する手法（In-Context Token Modeling 系） - knowledge distillation による prior 転移の関連研究 - 要旨で直接参照されている個別論文は不明

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Wen Xue, Yong Liu, Xueheng Li, Si Wu, Yong Xu, Yipeng Sun, Yan Li, Simiu Gu

分類: cs.CV

原文アブストラクト

High-quality image editing requires precise modification of target regions while preserving the content of unrelated regions. Existing editing models produce flattened outputs that limit precise local manipulation and layer reuse, while decomposition methods typically optimize layer recovery separately from instruction-driven editing. To this end, we introduce LayerEditor, a unified framework that couples instruction-guided image editing with controllable generation of reusable RGBA layers. At its core, In-Context RGB-Alpha Token Modeling jointly represents the edited canvas and an ordered sequence of RGB-Alpha layers within a single token sequence, enabling semantic edits and explicit control over individual layer content. To retain the pretrained model's editing capability during adaptation to layered outputs, we propose Compositional Edit-Prior Distillation, which transfers its editing prior to both the edited canvas and the image composed from the predicted layers. To support training and evaluation, we construct LayerEditor-100K, a large-scale paired image-editing dataset with ordered RGBA layer annotations, and introduce dedicated benchmarks for layered editing. Extensive experiments demonstrate that LayerEditor maintains strong editing fidelity while generating accurate RGBA layers, supporting both flexible layer-level manipulation and multi-layer decomposition.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI