FlowSlider: Trainingsvrije Continue Beeldbewerking via Trouw-Sturende Ontbinding
FlowSlider: Training-Free Continuous Image Editing via Fidelity-Steering Decomposition
April 2, 2026
Auteurs: Taichi Endo, Guoqing Hao, Kazuhiko Sumi
cs.AI
Samenvatting
Continueel beeldbewerken heeft als doel een schuifregelaarachtige controle over de bewerkingssterkte te bieden, terwijl de bronbeeldgetrouwheid behouden blijft en een consistente bewerkingsrichting wordt aangehouden. Bestaande op leren gebaseerde schuifregelaarmethoden vertrouwen doorgaans op hulpmodules die zijn getraind met synthetische of indirecte supervisie. Dit introduceert extra trainingsbelasting en koppelt het gedrag van de schuifregelaar aan de trainingsverdeling, wat de betrouwbaarheid kan verminderen bij verschuivingen in de verdeling van bewerkingen of domeinen. Wij stellen FlowSlider voor, een trainingsvrije methode voor continue beeldbewerking in Rectified Flow die geen nabehandeling vereist. FlowSlider ontbindt de update van FlowEdit in (i) een getrouwheidsterm, die fungeert als een bron-geconditioneerde stabilisator die identiteit en structuur behoudt, en (ii) een stuurterm die de semantische overgang naar de doelbewerking aandrijft. Geometrische analyse en empirische metingen tonen aan dat deze termen bijna orthogonaal zijn, wat stabiele sterkteregeling mogelijk maakt door alleen de stuurterm te schalen terwijl de getrouwheidsterm ongewijzigd blijft. Hierdoor biedt FlowSlider soepele en betrouwbare controle zonder nabehandeling, wat de kwaliteit van continue beeldbewerking verbetert voor diverse taken.
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.