DirectEdit：基于流变换器的图像编辑无偏差一步精准逆转

近期大规模预训练文本到图像（T2I）模型的进步表明，训练自由图像编辑方法取得了显著成功。通常，这些方法通过逆转过程为干净图像添加噪声，然后在前向过程中进行重建和编辑路径的独立去噪步骤。然而，由于重建路径是使用来自不匹配时间步的噪声潜在变量进行近似，现有方法不可避免地存在累积漂移，这从根本上限制了重建保真度。为解决这一挑战，我们系统性地分析了流变换器中的逆转过程，提出DirectEdit——一种无需引入额外神经函数评估（NFE）即可消除固有重建误差的简单而有效的编辑方法。与大多数旨在纠正逆转路径的先前工作不同，DirectEdit专注于直接对齐前向路径，从而实现精确重建和可靠的特征共享。此外，我们引入一种基于注意力特征注入和多分支掩码引导的噪声混合保存机制，有效平衡了保真度和可编辑性。广泛的实验表明，DirectEdit实现了高效且准确的图像编辑，性能卓越，优于现有最先进的方法。代码和示例可在 https://desongyang.github.io/Directedit 查看。