FlowSlider：基于忠实性引导分解的无训练连续图像编辑
计算机视觉与模式识别
2026-04-03 v1
摘要
连续图像编辑旨在提供编辑强度的滑块式控制，同时保持源图像的忠实度并维持一致的编辑方向。现有的基于学习的滑块方法通常依赖于通过合成或代理监督训练的辅助模块。这引入了额外的训练开销，并将滑块行为与训练分布耦合，从而在编辑或领域发生分布迁移时可能降低可靠性。我们提出了\textit{FlowSlider}，一种无需后训练的连续编辑方法，基于Rectified Flow。\textit{FlowSlider}将FlowEdit的更新分解为（i）忠实性项，作为源条件稳定器，保留身份和结构；（ii）引导项驱动语义向目标编辑的过渡。几何分析和经验测量表明，这些项大致正交，能够通过仅缩放引导项而保持忠实性项不变，从而实现稳定的强度控制。因此，\textit{FlowSlider}无需后训练即可提供平滑可靠的控制，提升了跨多样化任务的连续编辑质量。
关键词
引用
@article{arxiv.2604.02088,
title = {FlowSlider: Training-Free Continuous Image Editing via Fidelity-Steering Decomposition},
author = {Taichi Endo and Guoqing Hao and Kazuhiko Sumi},
journal= {arXiv preprint arXiv:2604.02088},
year = {2026}
}
备注
HuggingFace Space: https://huggingface.co/spaces/dominoer/FlowSlider