为何 DiT 编辑器会漂移？在 VAE 潜空间中插入式低频对齐

最近的扩散变换器 (DiT) 进展使得单轮图像编辑能力取得了令人振奋的成果。然而，多轮编辑常常导致渐进性语义漂移和质量下降。本文从潜空间频率视角研究此问题，将编辑过程分解为两个功能组件：VAE 和 DiT。通过在 VAE 潜空间中的系统性分析，我们发现 DiT 引入的主导低频漂移在编辑轮次之间累积，导致语义错位，而 VAE 贡献相对稳定的重建偏差。基于此洞见，我们提出了 VAE-LFA (Low Frequency Alignment)，一种无需训练的插即用方法， performs 对齐于 VAE 潜空间中的低频。VAE-LFA 通过低通滤波分解编辑轮次之间的潜差，并将低频统计量对齐到前几轮的指数移动平均，从而有效抑制累积的语义漂移，同时保留高频细节。该方法无需重新训练、无需 ground-truth 先验，也无需访问扩散参数，使其适用于白盒和黑盒 DiT 编辑器。对于白盒模型，VAE-LFA 通过消除冗余的 VAE 往返集成到编辑管道中；对于黑盒模型，它通过即插即用的 VAE 执行跨轮次潜空间对齐。广泛的实验表明，VAE-LFA 在包括受控场景和野生图像在内的多种多轮编辑情景中，提高了语义一致性和视觉保真度。