FlowSlider: Trainingsfreie kontinuierliche Bildbearbeitung durch Treue-steuernde Zerlegung
FlowSlider: Training-Free Continuous Image Editing via Fidelity-Steering Decomposition
April 2, 2026
Autoren: Taichi Endo, Guoqing Hao, Kazuhiko Sumi
cs.AI
Zusammenfassung
Kontinuierliche Bildbearbeitung zielt darauf ab, eine schiebereglerartige Steuerung der Bearbeitungsstärke zu ermöglichen, während die Quelldateitreue erhalten und eine konsistente Bearbeitungsrichtung beibehalten wird. Bestehende lernbasierte Schieberegler-Methoden stützen sich typischerweise auf Hilfsmodule, die mit synthetischer oder stellvertretender Supervision trainiert werden. Dies führt zu zusätzlichem Trainingsaufwand und koppelt das Schieberegler-Verhalten an die Trainingsverteilung, was die Zuverlässigkeit bei Verteilungsverschiebungen in Bearbeitungen oder Domänen verringern kann. Wir schlagen FlowSlider vor, eine trainingsfreie Methode für kontinuierliche Bearbeitung in Rectified Flow, die kein Nach-Training erfordert. FlowSlider zerlegt die Aktualisierung von FlowEdit in (i) einen Treue-Term, der als quellenkonditionierter Stabilisator wirkt und Identität sowie Struktur erhält, und (ii) einen Lenk-Term, der den semantischen Übergang zur Zielbearbeitung vorantreibt. Geometrische Analyse und empirische Messungen zeigen, dass diese Terme annähernd orthogonal sind, was eine stabile Stärkensteuerung ermöglicht, indem nur der Lenk-Term skaliert wird, während der Treue-Term unverändert bleibt. Dadurch bietet FlowSlider eine glatte und zuverlässige Steuerung ohne Nach-Training und verbessert die Qualität der kontinuierlichen Bearbeitung über verschiedene Aufgaben hinweg.
English
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 FlowSlider, a training-free method for continuous editing in Rectified Flow that requires no post-training. 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, FlowSlider provides smooth and reliable control without post-training, improving continuous editing quality across diverse tasks.