PostEdit: 用于高效零样本图像编辑的后验采样
计算机视觉与模式识别
2025-03-07 v4 人工智能
摘要
在图像编辑领域，存在三个核心挑战：可控性、背景保持和效率。基于反演的方法依赖耗时的优化来保留初始图像的特征，由于需要大量的网络推理而导致效率低下。相反，无反演方法缺乏对背景相似性的理论支持，因为它们规避了保持初始特征以实现效率的问题。因此，这些方法都无法同时实现高效率和背景一致性。为了应对这些挑战和上述缺点，我们引入了PostEdit，一种结合后验方案来指导扩散采样过程的方法。具体来说，引入了一个与初始特征和朗之万动力学相关的相应测量项，以优化由给定目标提示生成的估计图像。大量实验结果表明，所提出的PostEdit在精确保留未编辑区域的同时，实现了最先进的编辑性能。此外，该方法既无需反演也无需训练，生成高质量结果仅需约1.5秒和18 GB的GPU内存。
引用
@article{arxiv.2410.04844,
title = {PostEdit: Posterior Sampling for Efficient Zero-Shot Image Editing},
author = {Feng Tian and Yixuan Li and Yichao Yan and Shanyan Guan and Yanhao Ge and Xiaokang Yang},
journal= {arXiv preprint arXiv:2410.04844},
year = {2025}
}
备注
31 pages