FlowSlider: Edición Continua de Imágenes sin Entrenamiento mediante Descomposición de Fidelidad y Direccionamiento

FlowSlider: Training-Free Continuous Image Editing via Fidelity-Steering Decomposition

April 2, 2026

Autores: Taichi Endo, Guoqing Hao, Kazuhiko Sumi

cs.AI

Resumen

La edición continua de imágenes tiene como objetivo proporcionar un control deslizante de la intensidad de la edición, preservando la fidelidad de la imagen fuente y manteniendo una dirección de edición consistente. Los métodos deslizantes basados en aprendizaje existentes suelen depender de módulos auxiliares entrenados con supervisión sintética o proxy. Esto introduce una sobrecarga adicional de entrenamiento y acopla el comportamiento del deslizador a la distribución de entrenamiento, lo que puede reducir la confiabilidad ante cambios de distribución en ediciones o dominios. Proponemos FlowSlider, un método sin entrenamiento para edición continua en Flujo Rectificado que no requiere post-entrenamiento. FlowSlider descompone la actualización de FlowEdit en (i) un término de fidelidad, que actúa como un estabilizador condicionado por la fuente que preserva la identidad y la estructura, y (ii) un término de dirección que impulsa la transición semántica hacia la edición objetivo. El análisis geométrico y las mediciones empíricas muestran que estos términos son aproximadamente ortogonales, permitiendo un control estable de la intensidad al escalar solo el término de dirección mientras se mantiene inalterado el término de fidelidad. Como resultado, FlowSlider proporciona un control suave y confiable sin post-entrenamiento, mejorando la calidad de la edición continua en diversas tareas.

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.