面向目标的循环一致约束图像编辑

最近的预训练文本到图像流模型已实现了在文本驱动下的图像编辑的显著进展。主流方法采用损坏-恢复范式，即首先将源图像损坏至可编辑的“中间状态”，再在提示指导下恢复至目标图像。然而，当前方法以目标不可感知的方式构建此中间状态，即主要关注实现源图像重建，忽略了与特定编辑目标之间的语义差距。这种设计本质上导致编辑受限或不一致，当所需修改显著偏离源图像时。本文认为，中间状态应是目标可感知的，即在保留编辑不相关内容的同时，有选择地损坏编辑相关内容。因此，我们提出FlowCycle—an一个无需逆转且基于流的编辑框架，通过可学习噪声参数化损坏过程，并通过循环一致过程进行优化。通过在源图像与目标图像之间进行迭代编辑，并通过双一致性约束恢复至源图像，FlowCycle学习生成目标可感知的中间状态，从而在保持源图像一致性的同时实现准确修改。为提高效率，我们进一步通过动态调整采样步骤来加速优化。大量消融实验表明，FlowCycle 在编辑性能方面取得优异成果。