KI SpotlightNewsLensErase: Microsoft und Hochschulen stellen mask-basiertes Löschmodell vor
Das Modell soll Objekte, Text und Wasserzeichen samt zugehöriger Effekte aus Bildern entfernen. Belastbare Zahlen zu den behaupteten Verbesserungen liegen bislang nicht vor.
Mit KI erstelltInhalt
◆ Fakten auf einen Blick
- Das Paper „LensErase“ ist auf arXiv und Hugging Face verzeichnet und mit Oktober 2026 datiert.
- Yunuo Chen und Xiuyu Wu sind gleichberechtigte Erstautoren; Fangyun Wei und Guo Lu sind Corresponding Authors.
- LensErase unterstützt laut Autoren diverse Objekte, visuellen Text, Wasserzeichen und die Entfernung mehrerer Objekte.
- Der Datensatz LensErase-100M umfasst 101,07 Millionen gepaarte Source-Mask-Target-Beispiele.
- Das Modell wird aus dem Text-zu-Bild-Modell Lens vortrainiert und mit Supervised Fine-Tuning und Reinforcement Learning weiter trainiert.
Microsoft und Hochschulen stellen LensErase vor
Ein Autorenteam aus Microsoft und mehreren Universitäten hat das Paper „LensErase: A Foundation Model for Erase Anything“ veröffentlicht. Die Arbeit ist auf arXiv in der Kategorie Computer Vision and Pattern Recognition gelistet, datiert auf Oktober 2026, und außerdem bei Hugging Face Papers zu finden.
LensErase ist nach Angaben der Autoren ein mask-basiertes Modell. Es soll diverse Objekte, visuellen Text, Wasserzeichen und die zugehörigen Effekte aus Bildern entfernen. Mehrere Objekte gleichzeitig sollen möglich sein, ebenso der Umgang mit unterschiedlichen Objektgrößen, Seitenverhältnissen und Auflösungen.
Das Modell baut laut Paper auf dem Text-zu-Bild-Modell Lens auf. Trainiert wurde es mit dem neu zusammengestellten Datensatz LensErase-100M. Er soll 101,07 Millionen gepaarte Source-Mask-Target-Beispiele aus verschiedenen Löschszenarien enthalten.
Als gleichberechtigte Erstautoren nennt das Paper Yunuo Chen und Xiuyu Wu. Dong Chen leitet das Projekt. Fangyun Wei und Guo Lu sind als Corresponding Authors markiert. Die Affiliationen reichen von Microsoft über die Shanghai Jiao Tong University, die Nankai University und die USTC bis zur University of Sydney und zur Peking University. Ob und was gegenüber früheren Arbeiten der Gruppe neu ist, lässt sich aus dem vorliegenden Material nicht beurteilen.
Drei Bausteine: Mask-Aware RoPE, Training mit Belohnungen, TraceFusion
Die Autoren beschreiben drei Bausteine. Mask-Aware RoPE ist eine dreidimensionale rotierende Positionskodierung. Sie überträgt die Maskeninformation direkt in die Tokens des Quellbilds, ohne eine eigene Mask-Token-Sequenz zu benötigen. So wollen die Autoren Quellbild und Löschmaske effizient verarbeiten.
Nach dem Vortraining aus Lens folgt bei LensErase ein Supervised Fine-Tuning. Anschließend trainieren die Autoren mit Reinforcement Learning, das auf „contract-guided, region-aware rewards“ setzt.
Bei der Inferenz kommt TraceFusion zum Einsatz. Laut Paper soll es Inhalte außerhalb der effektiven Editregion in hoher Qualität erhalten.
Verbesserungen bislang nicht unabhängig überprüfbar
Die Autoren führen mit LensErase-Bench einen eigenen Benchmark ein. Zusätzlich werten sie das Modell auf sechs öffentlichen Benchmarks aus, mit referenzbasierten Metriken und mit referenzfreier Bewertung durch ein Vision-Language-Modell. Laut Paper erreicht LensErase dabei „substantial improvements“. Konkrete Zahlen und Baselines enthält das vorliegende Material nicht. Ein Vergleich mit älteren Inpainting-Ansätzen wie LaMa oder OmniPaint fehlt darin ebenfalls.
„Foundation Model“ und „Erase Anything“ sind Selbsteinschätzungen der Autoren. Prüfen lassen sich die Aussagen anhand der Tabellen und Baselines im vollständigen Paper. Unabhängige Nachtests, auch zu Fehlerfällen, könnten sie ebenfalls prüfen.
Eine Folgerung, kein belegter Sachverhalt: Das beworbene Entfernen von Wasserzeichen könnte Rechteinhaber berühren.
