AutoEdit：图像编辑的自动超参数调优
计算机视觉与模式识别
2025-10-08 v2
摘要
近期，扩散模型的进展彻底改变了文本引导的图像编辑，但现有的编辑方法在超参数识别方面面临关键挑战。为了获得合理的编辑性能，这些方法通常需要用户暴力搜索多个相互依赖的超参数，如反转时间步和注意力修改。由于巨大的超参数搜索空间，这一过程产生了高昂的计算成本。我们将搜索最优编辑超参数视为扩散去噪过程中的序贯决策任务。具体而言，我们提出了一种强化学习框架，建立了一个马尔可夫决策过程，在去噪步骤中动态调整超参数，将编辑目标整合到奖励函数中。该方法通过近端策略优化实现时间效率，同时保持最优超参数配置。实验表明，与现有的暴力搜索方法相比，在搜索时间和计算开销方面实现了显著减少，推动了基于扩散的图像编辑框架在实际中的部署。代码可在 https://github.com/chaupham1709/AutoEdit.git 获取。
引用
@article{arxiv.2509.15031,
title = {AutoEdit: Automatic Hyperparameter Tuning for Image Editing},
author = {Chau Pham and Quan Dao and Mahesh Bhosale and Yunjie Tian and Dimitris Metaxas and David Doermann},
journal= {arXiv preprint arXiv:2509.15031},
year = {2025}
}
备注
Provided code link