FlowSlider: Edição Contínua de Imagens sem Treinamento via Decomposição de Fidelidade e Direcionamento

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

April 2, 2026

Autores: Taichi Endo, Guoqing Hao, Kazuhiko Sumi

cs.AI

Resumo

A edição contínua de imagens visa fornecer controle deslizante da intensidade da edição, preservando a fidelidade da imagem original e mantendo uma direção de edição consistente. Os métodos de controle deslizante baseados em aprendizado existentes geralmente dependem de módulos auxiliares treinados com supervisão sintética ou proxy. Isso introduz sobrecarga adicional de treinamento e acopla o comportamento do controle à distribuição de treinamento, o que pode reduzir a confiabilidade sob mudanças de distribuição em edições ou domínios. Propomos o FlowSlider, um método sem treinamento para edição contínua em Fluxo Retificado que não requer pós-treinamento. O FlowSlider decompõe a atualização do FlowEdit em (i) um termo de fidelidade, que atua como um estabilizador condicionado à fonte que preserva identidade e estrutura, e (ii) um termo de direcionamento que impulsiona a transição semântica em direção à edição desejada. Análises geométricas e medições empíricas mostram que esses termos são aproximadamente ortogonais, permitindo controle estável da intensidade ao dimensionar apenas o termo de direcionamento enquanto mantém o termo de fidelidade inalterado. Como resultado, o FlowSlider fornece controle suave e confiável sem pós-treinamento, melhorando a qualidade da edição contínua em diversas tarefas.

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.