FlowSlider : Édition d'image continue sans entraînement via une décomposition pilotée par la fidélité

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

April 2, 2026

Auteurs: Taichi Endo, Guoqing Hao, Kazuhiko Sumi

cs.AI

Résumé

L'édition continue d'images vise à offrir un contrôle de type curseur sur l'intensité de la retouche, tout en préservant la fidélité à l'image source et en maintenant une direction d'édition cohérente. Les méthodes existantes basées sur l'apprentissage reposent généralement sur des modules auxiliaires entraînés avec une supervision synthétique ou par procuration. Cela introduit une surcharge d'entraînement supplémentaire et couple le comportement du curseur à la distribution d'apprentissage, ce qui peut réduire la fiabilité face à des décalages de distribution dans les retouches ou les domaines. Nous proposons FlowSlider, une méthode sans entraînement pour l'édition continue dans Rectified Flow qui ne nécessite aucun post-entraînement. FlowSlider décompose la mise à jour de FlowEdit en (i) un terme de fidélité, qui agit comme un stabilisateur conditionné par la source préservant l'identité et la structure, et (ii) un terme de pilotage qui guide la transition sémantique vers la retouche cible. L'analyse géométrique et les mesures empiriques montrent que ces termes sont approximativement orthogonaux, permettant un contrôle stable de l'intensité en modulant uniquement le terme de pilotage tout en gardant le terme de fidélité inchangé. Par conséquent, FlowSlider offre un contrôle fluide et fiable sans post-entraînement, améliorant la qualité de l'édition continue pour diverses tâches.

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.