EDITBRIDGE：忠実かつ効率的な超高解像度画像編集に向けて

要旨

高解像度画像編集はプロフェッショナルなワークフローにおいてますます求められているが、既存の拡散ベースモデルは、注意機構の計算量が二次関数的に増加し、メモリ要件が極めて高いため、1K未満の解像度に制約されたままである。一般的な回避策は、低解像度での編集とそれに続く独立した超解像からなる2段階パイプラインを用いるものである。しかしこのアプローチには、2つの重大な問題がある。1つは、幻覚的な詳細が元の高解像度（HR）ソースと矛盾する情報の乖離であり、もう1つは、過度に平滑化または過度にシャープ化されたアーティファクトとして現れるテクスチャ劣化である。我々は、効率的な超高解像度編集のための拡散ブリッジフレームワークであるEditBridgeを提案する。ノイズから再生成する従来の拡散法とは異なり、我々はリファインメントを、低解像度（LR）編集結果から対応するHRへの構造化されたデータ間変換として定式化し、本来の詳細を保持するために元のHRソースを明示的に条件として付与する。HRソースのガイダンスを効率的に組み込むために、我々は事前知識誘導型のブロック単位スパース注意機構を導入する。これは、第1段階の編集からの意味的対応関係を利用して、画像間の相互作用を空間的に整合した領域に制約し、計算オーバーヘッドを大幅に削減する。広範な実験により、EditBridgeは最大4Kの解像度で、優れた知覚品質を備えた忠実度の高い編集を達成し、2Kでは3.6～8.4倍の高速化を実現し、4K編集を61秒で実用可能にすることが示された。

English

High-resolution image editing is increasingly demanded in professional workflows, yet existing diffusion-based models remain constrained to resolutions below 1K due to quadratic attention complexity and prohibitive memory requirements. A prevalent workaround employs a two-stage pipeline: editing at low resolution followed by independent super-resolution. However, this approach suffers from two critical issues: information divergence, where hallucinated details contradict the original high-resolution (HR) source, and texture degradation, manifesting as over-smoothed or over-sharpened artifacts. We propose EditBridge, a diffusion bridge framework for efficient ultra high-resolution editing. Unlike conventional diffusion that regenerates from noise, we formulate refinement as structured data-to-data translation from the low-resolution (LR) edited result to its HR counterpart, explicitly conditioned on the original HR source to preserve authentic details. To efficiently incorporate HR source guidance, we introduce a prior-guided block-wise sparse attention mechanism that exploits semantic correspondence from first-stage editing to constrain cross-image interactions to spatially aligned regions, significantly reducing computational overhead. Extensive experiments demonstrate that EditBridge achieves high-fidelity editing with superior perceptual quality at resolutions up to 4K, delivering 3.6--8.4times speedup at 2K and enabling practical 4K editing in 61 seconds.