FlowSlider: 忠実度制御分解による学習不要の連続的画像編集

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

April 2, 2026

著者: Taichi Endo, Guoqing Hao, Kazuhiko Sumi

cs.AI

要旨

連続的画像編集は、ソース画像の忠実性を保ちながら編集方向の一貫性を維持しつつ、編集強度をスライダー形式で制御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ー手法は、一般的に合成データや代理監督で学習された補助モジュールに依存する。これにより追加の学習コストが生じ、スライダーの挙動が学習分布に結合されるため、編集やドメインの分布変化に対する信頼性が低下する可能性がある。本研究では、学習後処理を必要としないRectified Flowにおける連続的編集のための学習不要手法FlowSliderを提案する。FlowSliderはFlowEditの更新を、(i) 同一性と構造を保持するソース条件付き安定化項として機能する忠実性項と、(ii) 対象編集への意味的遷移を駆動する操縦項に分解する。幾何学的分析と実測結果により、これらの項が近似的に直交しており、忠実性項を固定したまま操縦項のみをスケーリングすることで安定した強度制御が可能となることが示された。その結果、FlowSliderは学習後処理なしで滑らかで信頼性の高い制御を実現し、多様なタスクにおける連続的編集の品質を向上させる。

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.