中山大学の研究者らは、過去の街並み画像を生成するシステム「CrossTimeEdit」と、3大陸11都市を対象にしたデータセット「VIGOR-his」を報告しました。データセットには、時期と視点の異なる画像を組み合わせた43,653地点分の四つ組に加え、衛星画像に基づく変化の説明と、画像の一部を編集する指示が含まれます。自動処理の仕組みが位置を照合し、一貫性を確認し、変化を分類したうえで、説明と編集指示を生成・検証します。

CrossTimeEditは、過去の画像を一から作るのではなく、最近の街路画像を編集して生成します。対象時期の衛星画像を変化の根拠として使い、変わっていない景観の細部を保ちながら、変化した建物などを復元することを目指します。研究チームは、FLUX.2 [Klein] 4Bを教師あり微調整した後、オンライン強化学習で訓練しました。

訓練と評価では、指示との整合性、背景の保持、画質と物理的な妥当性という3つの基準を使いました。チームはFlow-GRPOとGroup reward-Decoupled Normalization Policy Optimizationで各基準の報酬を最適化しました。後者は、報酬の各項目を個別に正規化してから組み合わせる手法です。CrossTimeEditは事前学習済みモデルを基準に全体性能を17.12%向上させ、評価対象の異視点画像生成モデルを、場面の一貫性、視覚的なリアリティ、知覚品質で上回りました。実装コード、データセット、モデルの重みは公開されています。

中山大学の研究者らは、過去の街並み画像を生成するシステム「CrossTimeEdit」と、3大陸11都市を対象にしたデータセット「VIGOR-his」を報告しました。データセットには、時期と視点の異なる画像を組み合わせた43,653地点分の四つ組に加え、衛星画像に基づく変化の説明と、画像の一部を編集する指示が含まれます。自動処理の仕組みが位置を照合し、一貫性を確認し、変化を分類したうえで、説明と編集指示を生成・検証します。

CrossTimeEditは、過去の画像を一から作るのではなく、最近の街路画像を編集して生成します。対象時期の衛星画像を変化の根拠として使い、変わっていない景観の細部を保ちながら、変化した建物などを復元することを目指します。研究チームは、FLUX.2 [Klein] 4Bを教師あり微調整した後、オンライン強化学習で訓練しました。

訓練と評価では、指示との整合性、背景の保持、画質と物理的な妥当性という3つの基準を使いました。チームはFlow-GRPOとGroup reward-Decoupled Normalization Policy Optimizationで各基準の報酬を最適化しました。後者は、報酬の各項目を個別に正規化してから組み合わせる手法です。CrossTimeEditは事前学習済みモデルを基準に全体性能を17.12%向上させ、評価対象の異視点画像生成モデルを、場面の一貫性、視覚的なリアリティ、知覚品質で上回りました。実装コード、データセット、モデルの重みは公開されています。