SteerFlow：引导整流流以实现忠实的基于反转的图像编辑

基于流的生成模型的最新进展使 无需训练 成为可能，即通过将图像反转为其潜在噪声并在新的目标条件指导下重新生成来进行文本引导图像编辑。然而，现有的方法很难保持源保真度：高阶求解器会产生额外的模型推理，截断的反演限制了可编辑性，而特征注入方法缺乏架构可转移性。为了解决这些限制，我们提出了 SteerFlow，这是一种与模型无关的编辑框架，对源保真度具有强有力的理论保证。在前向过程中，我们引入了一个摊销定点求解器，它通过在连续时间步上强制执行速度一致性来隐式拉直前向轨迹，从而产生高保真反转潜伏。在后向过程中，我们引入了轨迹插值，它自适应地混合目标编辑和源重建速度，以保持编辑轨迹锚定到源。为了进一步改善背景保留，我们引入了自适应掩蔽机制，该机制通过概念引导的分割和源目标速度差异在空间上约束编辑信号。在 FLUX.1-dev 和 Stable Diffusion 3.5 Medium 上进行的大量实验表明，SteerFlow 始终能够实现比现有方法更好的编辑质量。最后，我们证明 SteerFlow 可以自然地扩展到复杂的多轮编辑范例，而不会累积漂移。