Harnessing Diffusion Models for Image Manipulation With Partial Sketches.

Contexte : Les méthodes interactives basées sur des points pour l'édition d'images sont limitées dans leur contrôle fin des contenus locaux. Les approches existantes utilisant des esquisses partielles souffrent de faible généralisation et de fidélité, notamment pour l'édition localisée. Objectif : Proposer DiffStroke, un cadre sans masque pour manipuler des images avec des esquisses partielles, en améliorant le contrôle local et la préservation des régions non modifiées. Méthode : Intégration de blocs de fusion image-esquisse (ISF) pour combiner les images sources et les traits à niveau de features, associée à un estimateur de masque auto-supervisé pour protéger les zones non ciblées. Résultats : DiffStroke dépasse les méthodes état de l'art sur des tâches d'édition simples et complexes, avec une combinaison possible de prompts textuels pour des résultats créatifs. Intérêt clinique : L'article est technique et se concentre sur les modèles de diffusion, sans lien direct avec des applications cliniques en neurosciences ou psychologie. Limites : Aucune donnée clinique ou application thérapeutique n'est mentionnée ; le focus est sur l'ingénierie d'images, non sur des problématiques médicales ou cognitives.

Diffusion models pour l'édition d'images avec esquisses partielles Fusion image-esquisse (ISF) et estimateur de masque auto-supervisé Supériorité sur les méthodes GAN existantes Absence de lien avec des applications cliniques

Technique potentiellement applicable en neuroimagerie (ex. : correction d'images), mais non explorée ici Pas de données sur l'efficacité en contexte thérapeutique ou diagnostic

Faible