用于文本到图像编辑的 Delta Rectified Flow 采样
计算机视觉与模式识别
2026-04-14 v3 机器学习
摘要
我们提出了 Delta Rectified Flow 采样（DRFS），这是一种基于矩形流模型的、无需逆向处理、路径感知的文本到图像编辑框架。DRFS是一种基于蒸馏的方法，显式建模源速度场与目标速度场之间的差异，以缓解先前蒸馏采样方法中常见的过平滑问题。我们进一步引入时间依赖的偏移项，将带有噪声的潜在变量推进到目标轨迹附近，增强与目标分布的对齐。我们理论上证明，禁用此偏移项可恢复 Delta Denoising Score（DDS），从而将基于得分的扩散优化与基于速度的矩形流优化建立联系。此外，在矩形流动力学下，线性偏移方案可恢复无需逆向处理的方法 FlowEdit 作为严格的特例，揭示了优化和 ODE 编辑的统一视角。我们对偏移项的设计进行了分析，实验结果在广泛使用的 PIE 基准上表明，DRFS 在编辑质量、保真度和可控性方面取得优异成绩，且无需架构修改。代码可在 https://github.com/Harvard-AI-and-Robotics-Lab/DeltaRectifiedFlowSampling 查阅。
引用
@article{arxiv.2509.05342,
title = {Delta Rectified Flow Sampling for Text-to-Image Editing},
author = {Gaspard Beaudouin and Minghan Li and Jaeyeon Kim and Sung-Hoon Yoon and Mengyu Wang},
journal= {arXiv preprint arXiv:2509.05342},
year = {2026}
}