실제 이미지에서 객체를 제거하려면 마스크 내부에 그럴듯한 내용을 합성하는 것만으로는 부족하며, 방법은 잔여 객체 특징을 억제하고 편집되지 않은 장면을 보존한 뒤 주변 배경과 일관된 대체 내용을 생성해야 한다. 본 논문은 단계 기반 관점에서 객체 제거에 접근하며, 동결된 사전학습 Stable Diffusion 모델을 이용한 제약 잠재 공간 인페인팅(constrained latent inpainting)용 제로샷 프레임워크를 제안한다. 과제별 학습이나 모델 미세조정은 필요하지 않다. 이 방법은 SAM 기반 마스크 구성, BLIP 이미지-캡션 조건화, DDIM inversion, 배경 가중 마스크 null-text 최적화(NTI), 디코더 self-attention 마스킹, 마스크 외부 hard 잠재 공간 앵커링, 국소 renoise–denoise 정제를 하나의 통합 파이프라인에 결합한다. 정성적 사례, 정량적 국소 일관성 지표, ablation 연구로 평가하였다. 결과는 효과적인 객체 제거와 문맥상 일관된 대체 내용 생성을 보여준다. Ablation에 따르면 배경 가중 마스크 NTI는 구조적으로 복잡한 배경에서 특히 유리하며, NTI 없는 변형은 다른 평가 사례에서는 충분하다. 반복 정제는 1차 편집 이후 남는 객체 잔여물과 경계 아티팩트를 더 줄인다.
실제 환경에서의 객체 제거는 두 가지 핵심 어려움으로 인해 도전적이다. 하나는 그림자와 반사와 같이 모델링하기 어려운 대상 객체의 비국소적(non-local) 효과이고, 다른 하나는 사용자가 제공한 마스크가 종종 부정확하거나 불완전하다는 점이다. 수십억 개의 파라미터와 수십 번의 디노이징(denoising) 단계를 거치는 확산 기반 모델은 상당한 계산 비용을 대가로 강력한 제거 성능을 달성하지만, 이는 상호작용 애플리케이션과 엣지 디바이스에서의 사용을 제한한다. 이러한 과제를 해결하기 위해, 우리는 효율적이고 효과 인식적이며 마스크에 강건한(mask-robust) 객체 제거를 동시에 달성하는 OSOR(One-Step Object Removal)를 제안한다. 구체적으로 OSOR는 다음을 도입한다: (1) 정밀한 경계 감독을 위한 점유율 유도(occupancy-guided) 판별기로, 안정적인 원스텝 확산 학습을 가능하게 한다; (2) 사전학습(pre-training)된 확산 모델의 지식을 활용하여 최소한의 오버헤드로 적절한 제거 영역을 예측하고, 이를 통해 불완전한 마스크를 처리하는 알파 헤드(alpha head); (3) 노이즈가 많은 instruction 기반 트리플릿을 필터링하여 대규모로 효과 인식 감독을 생성하는 의미 기반 검증 파이프라인(SAVP, semantic-anchored verification pipeline). SAVP를 사용하여 280K개의 검증된 제거 쌍을 포함하는 CORNE를 구축하고, 더 복잡한 제거 과제에서의 성능을 평가하기 위해 AnimeEraseBench와 TextEraseBench를 추가로 주석 처리한다. 실험 결과 OSOR는 지각 품질(perceptual quality)에서 강력한 다단계 확산 기준선(baseline)을 능가하면서, $4\times$에서 $30\times$ 더 빠른 추론을 달성한다.