FlashEdit: Desacoplando Velocidad, Estructura y Semántica para la Edición Precisa de Imágenes

FlashEdit: Decoupling Speed, Structure, and Semantics for Precise Image Editing

September 26, 2025

Autores: Junyi Wu, Zhiteng Li, Haotong Qin, Xiaohong Liu, Linghe Kong, Yulun Zhang, Xiaokang Yang

cs.AI

Resumen

La edición de imágenes guiada por texto con modelos de difusión ha logrado una calidad notable, pero sufre de una latencia prohibitiva, lo que dificulta su aplicación en el mundo real. Presentamos FlashEdit, un marco novedoso diseñado para permitir la edición de imágenes en tiempo real con alta fidelidad. Su eficiencia se deriva de tres innovaciones clave: (1) una canalización de Inversión y Edición en un Solo Paso (OSIE) que evita procesos iterativos costosos; (2) una técnica de Escudo de Fondo (BG-Shield) que garantiza la preservación del fondo al modificar selectivamente características solo dentro de la región de edición; y (3) un mecanismo de Atención Cruzada Espacial Esparcida (SSCA) que asegura ediciones precisas y localizadas al suprimir la fuga semántica hacia el fondo. Experimentos extensos demuestran que FlashEdit mantiene una consistencia superior del fondo y la integridad estructural, mientras realiza ediciones en menos de 0.2 segundos, lo que representa una aceleración de más de 150 veces en comparación con métodos previos de múltiples pasos. Nuestro código estará disponible públicamente en https://github.com/JunyiWuCode/FlashEdit.

English

Text-guided image editing with diffusion models has achieved remarkable quality but suffers from prohibitive latency, hindering real-world applications. We introduce FlashEdit, a novel framework designed to enable high-fidelity, real-time image editing. Its efficiency stems from three key innovations: (1) a One-Step Inversion-and-Editing (OSIE) pipeline that bypasses costly iterative processes; (2) a Background Shield (BG-Shield) technique that guarantees background preservation by selectively modifying features only within the edit region; and (3) a Sparsified Spatial Cross-Attention (SSCA) mechanism that ensures precise, localized edits by suppressing semantic leakage to the background. Extensive experiments demonstrate that FlashEdit maintains superior background consistency and structural integrity, while performing edits in under 0.2 seconds, which is an over 150times speedup compared to prior multi-step methods. Our code will be made publicly available at https://github.com/JunyiWuCode/FlashEdit.