FlowSlider: 충실도 조정 분해를 통한 학습 불필요 연속 이미지 편집

초록

연속 이미지 편집은 원본 이미지의 충실도를 유지하고 일관된 편집 방향을 유지하면서 편집 강도를 슬라이더 방식으로 제어하는 것을 목표로 합니다. 기존의 학습 기반 슬라이더 방법들은 일반적으로 합성된 데이터나 간접적인 감독으로 훈련된 보조 모듈에 의존합니다. 이는 추가적인 훈련 오버헤드를 초래하고 슬라이더의 동작을 훈련 데이터 분포에 결합시켜, 편집이나 도메인에서의 분포 변화 시 신뢰성을 낮출 수 있습니다. 우리는 사후 훈련이 필요 없는 Rectified Flow 기반의 연속 편집 방법인 FlowSlider를 제안합니다. FlowSlider는 FlowEdit의 업데이트를 (i) 원본 이미지에 조건화된 안정화 장치 역할을 하며 identity와 구조를 보존하는 충실도 항과 (ii) 대상 편집을 향한 의미론적 전환을 주도하는 steering 항으로 분해합니다. 기하학적 분석과 실험적 측정은 이 두 항이 약직교 관계에 있음을 보여주며, 충실도 항은 그대로 유지한 채 steering 항만 스케일링하여 안정적인 강도 제어를 가능하게 합니다. 그 결과 FlowSlider는 사후 훈련 없이도 부드럽고 신뢰할 수 있는 제어를 제공하며, 다양한 작업에서 연속 편집 품질을 향상시킵니다.

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.

FlowSlider: 충실도 조정 분해를 통한 학습 불필요 연속 이미지 편집

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

초록

Support