論文の概要: SteerFlow: Steering Rectified Flows for Faithful Inversion-Based Image Editing

• arxiv url: http://arxiv.org/abs/2604.01715v1
• Date: Thu, 02 Apr 2026 07:26:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.587567
• Title: SteerFlow: Steering Rectified Flows for Faithful Inversion-Based Image Editing
• Title（参考訳）: SteerFlow: 忠実なインバージョンベースの画像編集のためのステアリング整流
• Abstract要約: SteerFlowはモデルに依存しない編集フレームワークで、ソースの忠実性に関する強力な理論的保証がある。 本稿では,ターゲット編集速度とソース再構成速度を適応的にブレンドして,編集軌道をソースに固定するトラジェクトリ補間法を提案する。 FLUX.1-devとStable Diffusion 3.5 Mediumの実験では、SteerFlowは既存の方法よりも優れた編集品質を実現している。
• 参考スコア（独自算出の注目度）: 9.343095346668665
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in flow-based generative models have enabled training-free, text-guided image editing by inverting an image into its latent noise and regenerating it under a new target conditional guidance. However, existing methods struggle to preserve source fidelity: higher-order solvers incur additional model inferences, truncated inversion constrains editability, and feature injection methods lack architectural transferability. To address these limitations, we propose SteerFlow, a model-agnostic editing framework with strong theoretical guarantees on source fidelity. In the forward process, we introduce an Amortized Fixed-Point Solver that implicitly straightens the forward trajectory by enforcing velocity consistency across consecutive timesteps, yielding a high-fidelity inverted latent. In the backward process, we introduce Trajectory Interpolation, which adaptively blends target-editing and source-reconstruction velocities to keep the editing trajectory anchored to the source. To further improve background preservation, we introduce an Adaptive Masking mechanism that spatially constrains the editing signal with concept-guided segmentation and source-target velocity differences. Extensive experiments on FLUX.1-dev and Stable Diffusion 3.5 Medium demonstrate that SteerFlow consistently achieves better editing quality than existing methods. Finally, we show that SteerFlow extends naturally to a complex multi-turn editing paradigm without accumulating drift.
• Abstract（参考訳）: 近年のフローベース生成モデルの進歩により、画像を潜在雑音に反転させ、新たな目標条件下で再生することにより、トレーニング不要でテキストガイド付き画像編集が可能になった。 しかし、既存のメソッドはソースの忠実性を維持するのに苦労している。高階のソルバは追加のモデル推論、切り詰められた反転制約の編集可能性、そして機能注入メソッドはアーキテクチャの転送性に欠ける。 このような制約に対処するため,モデルに依存しない編集フレームワークであるSteerFlowを提案する。 前処理では、連続する時間ステップ間で速度の整合性を強制することにより、前方軌道を暗黙的に整列させ、高忠実度逆潜子を生じるアモルティフィック固定点ソルバーを導入する。 逆方向のプロセスでは、ターゲット編集とソース再構成の速度を適応的にブレンドして、編集路をソースに固定するトラジェクトリ補間を導入する。 背景保存をさらに改善するため,空間的に編集信号に概念誘導セグメンテーションとソース目標速度差を制約するアダプティブ・マスキング機構を導入する。 FLUX.1-devとStable Diffusion 3.5 Mediumの大規模な実験は、SteerFlowが既存の方法よりも優れた編集品質を一貫して達成していることを示している。 最後に,SteerFlowはドリフトを蓄積することなく,複雑なマルチターン編集パラダイムに自然に拡張可能であることを示す。

関連論文リスト

• FlowPainter: Inpainting Optical Flow via Confidence-Guided Completion [52.3830227666301]
  FlowPainterは拡散に基づく光フローフレームワークで、密度フローの生成を信頼性誘導型軟塗布として再構成する。 提案手法は,光学的フロー推定のための拡散型改良法と信頼性の高い識別前処理を統合するための実用的な方法を提供する。
  論文  参考訳（メタデータ） (2026-07-11T05:59:22Z)
• DirectEdit: Step-Level Accurate Inversion for Flow-Based Image Editing [51.56484100374058]
  我々は、事前訓練されたテキスト・ツー・イメージ(T2I)モデルのトレーニング不要な編集方法であるDirectEditを提案する。 DirectEditは、追加の神経機能評価(NFE)を導入することなく、固有の再構成エラーを除去する 実験により、DirectEditは効率よく正確な画像編集を実現し、最先端の手法よりも優れたパフォーマンスを提供することが示された。
  論文  参考訳（メタデータ） (2026-05-04T10:09:18Z)
• FlowBypass: Rectified Flow Trajectory Bypass for Training-Free Image Editing [10.304374060580828]
  トレーニング不要の画像編集は、その効率性とトレーニングデータからの独立性に注目が集まっている。 この問題に対処する以前の試みでは、一般的にバックボーン固有の機能操作を採用し、一般的な適用性を制限していた。 本稿では, インバージョンと再構成軌道を直接接続するバイパスを構成する, 整形流れを基盤とした, 新規かつ解析的なフレームワークであるFlowBypassを提案する。
  論文  参考訳（メタデータ） (2026-02-02T08:37:00Z)
• On Exact Editing of Flow-Based Diffusion Models [97.0633397035926]
  本研究では,フローベース編集を既知ソースによって駆動される分散変換問題として再構成する条件付き速度補正(CVC)を提案する。 CVCは、双対パースペクティブな速度変換機構を導入することにより、分配間変換における速度の役割を再考する。 我々は,CVCが優れた忠実度,セマンティックアライメント,多種多様なタスクに対する信頼性の高い編集動作を一貫して達成していることを示す。
  論文  参考訳（メタデータ） (2025-12-30T06:29:20Z)
• SplitFlow: Flow Decomposition for Inversion-Free Text-to-Image Editing [15.234877788378563]
  整流流モデルは, 安定したサンプリング軌道と高忠実度出力により, 画像生成におけるデファクトスタンダードとなっている。 強力な生成能力にもかかわらず、画像編集タスクには限界がある。 近年の取り組みでは、ソースとターゲットの分布を直接ODEベースのアプローチでインバージョンせずにマッピングする試みが行われている。 本稿では,これらの制約に対応するために,インバージョンフリーな定式化に基づくフロー分解・集約フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-29T21:12:58Z)
• EditInfinity: Image Editing with Binary-Quantized Generative Models [64.05135380710749]
  画像編集のためのバイナリ量子化生成モデルのパラメータ効率適応について検討する。 具体的には、画像編集のためのバイナリ量子化生成モデルであるEmphInfinityを適応させるEditInfinityを提案する。 テキストの修正と画像スタイルの保存を促進させる,効率的かつ効果的な画像反転機構を提案する。
  論文  参考訳（メタデータ） (2025-10-23T05:06:24Z)
• FlowCycle: Pursuing Cycle-Consistent Flows for Text-based Editing [12.424207508842192]
  本研究では,新しいインバージョンフリーかつフローベース編集フレームワークであるFlowCycleを提案する。 本研究では,FlowCycleが最先端手法よりも優れた編集品質と一貫性を実現することを示す。
  論文  参考訳（メタデータ） (2025-10-23T04:58:29Z)
• Delta Velocity Rectified Flow for Text-to-Image Editing [15.665085495430313]
  本稿では,テキストから画像への編集のための新しいインバージョンフリーなパス認識編集フレームワークであるDelta Velocity Rectified Flow (DVRF)を提案する。 実験結果から,DVRFは編集品質,忠実度,制御性に優れ,設計上の変更は不要であることが示唆された。
  論文  参考訳（メタデータ） (2025-09-01T21:51:24Z)
• FlowAlign: Trajectory-Regularized, Inversion-Free Flow-based Image Editing [47.908940130654535]
  FlowAlignは、最適な制御ベースの軌道制御による一貫した画像編集のためのインバージョンフリーなフローベースフレームワークである。 我々の終点正規化は、編集プロンプトとのセマンティックアライメントのバランスと、軌道に沿ったソース画像との構造的整合性を示す。 FlowAlignは、ソース保存と編集の制御性の両方において、既存のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2025-05-29T06:33:16Z)
• Stable Flow: Vital Layers for Training-Free Image Editing [74.52248787189302]
  拡散モデルはコンテンツ合成と編集の分野に革命をもたらした。 最近のモデルでは、従来のUNetアーキテクチャをDiffusion Transformer (DiT)に置き換えている。 画像形成に欠かせないDiT内の「硝子層」を自動同定する手法を提案する。 次に、実画像編集を可能にするために、フローモデルのための改良された画像反転手法を提案する。
  論文  参考訳（メタデータ） (2024-11-21T18:59:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。