ترجمه فارسی مقاله مشخص کردن و ویرایش: غلبه بر ابهام در ویرایش تصویر مبتنی بر متن

چکیده

Text-based editing diffusion models exhibit limited performance when the user’s input instruction is ambiguous. To solve this problem, we propose $textit{Specify ANd Edit}$ (SANE), a zero-shot inference pipeline for diffusion-based editing systems. We use a large language model (LLM) to decompose the input instruction into specific instructions, i.e. well-defined interventions to apply to the input image to satisfy the user’s request. We benefit from the LLM-derived instructions along the original one, thanks to a novel denoising guidance strategy specifically designed for the task. Our experiments with three baselines and on two datasets demonstrate the benefits of SANE in all setups. Moreover, our pipeline improves the interpretability of editing models, and boosts the output diversity. We also demonstrate that our approach can be applied to any edit, whether ambiguous or not. Our code is public at https://github.com/fabvio/SANE.

چکیده به فارسی (ترجمه ماشینی)

مدل های انتشار ویرایش مبتنی بر متن هنگامی که دستورالعمل ورودی کاربر مبهم باشد ، عملکرد محدودی دارند.برای حل این مشکل ، ما $ textit {را مشخص و ویرایش} $ (SANE) ، یک خط لوله استنتاج صفر برای سیستم های ویرایش مبتنی بر انتشار پیشنهاد می کنیم.ما از یک مدل زبان بزرگ (LLM) برای تجزیه دستورالعمل ورودی به دستورالعمل های خاص ، یعنی مداخلات به خوبی تعریف شده استفاده می کنیم تا در تصویر ورودی اعمال شود تا درخواست کاربر را برآورده کند.ما به لطف یک استراتژی جدید راهنمای راهنمایی Denoising که به طور خاص برای این کار طراحی شده است ، از دستورالعمل های مشتق از LLM بهره مند می شویم.آزمایشات ما با سه خط پایه و در دو مجموعه داده مزایای عاقل در همه تنظیمات را نشان می دهد.علاوه بر این ، خط لوله ما تفسیر مدل های ویرایش را بهبود می بخشد و تنوع خروجی را تقویت می کند.ما همچنین نشان می دهیم که رویکرد ما می تواند برای هر ویرایش ، اعم از مبهم یا نه اعمال شود.کد ما در https://github.com/fabvio/sane عمومی است.