EditCrafter: Afstemningsvrije bewerking van hoogresolutiebeelden via voorgetraind diffusiemodel
EditCrafter: Tuning-free High-Resolution Image Editing via Pretrained Diffusion Model
April 11, 2026
Auteurs: Kunho Kim, Sumin Seo, Yongjun Cho, Hyungjin Chung
cs.AI
Samenvatting
Wij presenteren EditCrafter, een methode voor het bewerken van hoogresolutiebeelden die werkt zonder afstemming en gebruikmaakt van vooraf getrainde tekst-naar-beeld (T2I) diffusiemodellen om beelden te verwerken bij resoluties die aanzienlijk hoger zijn dan die gebruikt tijdens de training. Het benutten van de generatieve prioriteiten van grootschalige T2I-diffusiemodellen maakt de ontwikkeling van een breed scala aan nieuwe generatie- en bewerkingstoepassingen mogelijk. Hoewel talrijke methoden voor beeldbewerking zijn voorgesteld op basis van diffusiemodellen en hoogwaardige bewerkingsresultaten vertonen, zijn ze moeilijk toe te passen op beelden met willekeurige beeldverhoudingen of hogere resoluties, omdat ze alleen werken bij de trainingsresoluties (512x512 of 1024x1024). Een naïeve toepassing van patchgewijze bewerking mislukt met onrealistische objectstructuren en herhaling. Om deze uitdagingen aan te pakken, introduceren wij EditCrafter, een eenvoudige maar effectieve bewerkingspijplijn. EditCrafter werkt door eerst een getegelde inversie uit te voeren, die de oorspronkelijke identiteit van het invoerbeeld met hoge resolutie behoudt. Wij stellen verder een ruisgedempte, manifold-beperkte classifier-free guidance (NDCFG++) voor die is toegesneden op beeldbewerking met hoge resolutie vanuit de geïnverteerde latentie. Onze experimenten tonen aan dat onze EditCrafter indrukwekkende bewerkingsresultaten kan bereiken over verschillende resoluties zonder fine-tuning en optimalisatie.
English
We propose EditCrafter, a high-resolution image editing method that operates without tuning, leveraging pretrained text-to-image (T2I) diffusion models to process images at resolutions significantly exceeding those used during training. Leveraging the generative priors of large-scale T2I diffusion models enables the development of a wide array of novel generation and editing applications. Although numerous image editing methods have been proposed based on diffusion models and exhibit high-quality editing results, they are difficult to apply to images with arbitrary aspect ratios or higher resolutions since they only work at the training resolutions (512x512 or 1024x1024). Naively applying patch-wise editing fails with unrealistic object structures and repetition. To address these challenges, we introduce EditCrafter, a simple yet effective editing pipeline. EditCrafter operates by first performing tiled inversion, which preserves the original identity of the input high-resolution image. We further propose a noise-damped manifold-constrained classifier-free guidance (NDCFG++) that is tailored for high resolution image editing from the inverted latent. Our experiments show that the our EditCrafter can achieve impressive editing results across various resolutions without fine-tuning and optimization.