論文の概要: FlowSlider: Training-Free Continuous Image Editing via Fidelity-Steering Decomposition
- arxiv url: http://arxiv.org/abs/2604.02088v1
- Date: Thu, 02 Apr 2026 14:16:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-03 14:21:10.850409
- Title: FlowSlider: Training-Free Continuous Image Editing via Fidelity-Steering Decomposition
- Title（参考訳）: FlowSlider:Fidelity-Steering Decompositionによるトレーニング不要な連続画像編集
- Abstract要約: 連続画像編集は、ソースイメージの忠実性を保ち、一貫した編集方向を維持しながら、スライダスタイルの編集強度の制御を提供することを目的としている。
本論文では,Rectified Flow で連続的な編集を行うためのトレーニング不要な textitFlowSlider を提案する。
- 参考スコア（独自算出の注目度）: 0.07646713951724009
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Continuous image editing aims to provide slider-style control of edit strength while preserving source-image fidelity and maintaining a consistent edit direction. Existing learning-based slider methods typically rely on auxiliary modules trained with synthetic or proxy supervision. This introduces additional training overhead and couples slider behavior to the training distribution, which can reduce reliability under distribution shifts in edits or domains. We propose \textit{FlowSlider}, a training-free method for continuous editing in Rectified Flow that requires no post-training. \textit{FlowSlider} decomposes FlowEdit's update into (i) a fidelity term, which acts as a source-conditioned stabilizer that preserves identity and structure, and (ii) a steering term that drives semantic transition toward the target edit. Geometric analysis and empirical measurements show that these terms are approximately orthogonal, enabling stable strength control by scaling only the steering term while keeping the fidelity term unchanged. As a result, \textit{FlowSlider} provides smooth and reliable control without post-training, improving continuous editing quality across diverse tasks.
- Abstract（参考訳）: 連続画像編集は、ソースイメージの忠実性を保ち、一貫した編集方向を維持しながら、スライダスタイルの編集強度の制御を提供することを目的としている。
既存の学習ベースのスライダ法は一般的に、合成またはプロキシの監督で訓練された補助モジュールに依存している。
これにより、追加のトレーニングオーバーヘッドが導入され、トレーニングディストリビューションにスライダの動作が結合されるため、編集やドメインの分散シフト時の信頼性が低下する。
本稿では, ポストトレーニングを必要としないRectified Flowにおいて, 連続的な編集を行うためのトレーニング不要な方法である \textit{FlowSlider} を提案する。
\textit{FlowSlider}はFlowEditの更新を分解する
一 アイデンティティ及び構造を保全するソース条件安定化剤として機能する忠実度用語
(ii) ターゲット編集への意味的遷移を駆動するステアリング用語。
幾何学的解析と経験的測定により、これらの用語は概ね直交的であり、不確かさ項を保ちながらステアリング項のみをスケーリングすることで安定した強度制御を可能にすることが示されている。
結果として、‘textit{FlowSlider} はポストトレーニングなしでスムーズで信頼性の高いコントロールを提供し、多様なタスクにわたる継続的な編集品質を改善します。
関連論文リスト
- Semantic Granularity Navigation in Image Editing [4.8073791571301125]
NaviEditは、リアルタイム編集のためのトレーニング不要の推論時間コントローラである。
厳密な自己整合契約を通じて、モデルスケールから編集の進捗を分離する。
スケールを制御入力として扱い、意味的に応答する中間スケールに向けて固定ステップ予算を割り当てる。
論文 参考訳（メタデータ） (2026-05-20T13:53:13Z) - SteerFlow: Steering Rectified Flows for Faithful Inversion-Based Image Editing [9.343095346668665]
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。
論文 参考訳（メタデータ） (2026-04-02T07:26:13Z) - The Devil is in Attention Sharing: Improving Complex Non-rigid Image Editing Faithfulness via Attention Synergy [71.39358554558667]
我々は,SynPSを紹介した。SynPSは位置埋め込みとセマンティック情報を利用して,忠実な非剛性画像編集を行う手法である。
本稿では,各段階で必要な編集規模を定量化する編集計測手法を提案する。
位置と意味を適応的に統合することで、SynPSはオーバー編集とアンダー編集の両方を効果的に避ける。
論文 参考訳（メタデータ） (2025-12-16T14:08:00Z) - SliderEdit: Continuous Image Editing with Fine-Grained Instruction Control [50.76070785417023]
スライダ編集(SliderEdit)は、細粒度で解釈可能な命令制御による連続的な画像編集のためのフレームワークである。
複数部分の編集命令が与えられたSliderEditは、個々の命令をアンタングルして、グローバルにトレーニングされたスライダとして公開する。
本結果は,連続的,構成的制御による対話的,命令駆動型画像操作の道を開くものである。
論文 参考訳（メタデータ） (2025-11-12T20:21:37Z) - VALA: Learning Latent Anchors for Training-Free and Temporally Consistent [29.516179213427694]
本稿では,キーフレームを適応的に選択し,その潜在機能をセマンティックアンカーに圧縮し,一貫したビデオ編集を行う変分アライメントモジュールであるVALAを提案する。
本手法はトレーニング不要なテキスト・画像ベースのビデオ編集モデルに完全に統合することができる。
論文 参考訳（メタデータ） (2025-10-27T03:44:11Z) - Kontinuous Kontext: Continuous Strength Control for Instruction-based Image Editing [76.44219733285898]
Kontinuous Kontext は命令駆動の編集モデルであり、編集強度を制御できる新しい次元を提供する。
軽量プロジェクタネットワークは、入力スカラーと編集命令をモデルの変調空間の係数にマッピングする。
本モデルのトレーニングには,既存の生成モデルを用いて,画像編集・指導・強化四重項の多種多様なデータセットを合成する。
論文 参考訳（メタデータ） (2025-10-09T17:51:03Z) - Follow-Your-Shape: Shape-Aware Image Editing via Trajectory-Guided Region Control [52.87568958372421]
Follow-Your-Shapeは、トレーニング不要でマスクなしのフレームワークで、オブジェクト形状の正確かつ制御可能な編集をサポートする。
インバージョンとデノナイジングパスのトークン単位の速度差を比較することで,TDM(Torjectory Divergence Map)を算出する。
本手法は、特に大規模な形状変更を必要とするタスクにおいて、優れた編集性と視覚的忠実性を実現する。
論文 参考訳（メタデータ） (2025-08-11T16:10:00Z) - 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) - Tuning-Free Image Editing with Fidelity and Editability via Unified Latent Diffusion Model [60.82962950960996]
拡散遅延最適化を行うチューニング不要なUnifyEditを導入する。
本研究では, 自己注意保持制約(SA)と相互注意アライメント制約(CA)の2つを開発し, テキストアライメントの強化を図る。
提案手法は,様々な編集作業における構造保存とテキストアライメントのバランスを保ち,他の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2025-04-08T01:02:50Z)
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。