TurboClear：通过区域校准分布匹配和融合实现一步对象效应去除

最近，基于扩散的去除方法在去除目标对象及其相关效果方面取得了有希望的视觉质量。然而，它们通常依赖于多步去噪，导致推理成本很高。直接应用现有的一步 蒸馏 方法也是次优的，因为它们的全局目标缺乏明确的区域校准，并且可能削弱对象效应消除所需的不对称编辑和保留行为。为了应对这些挑战，我们提出了 TurboClear，一种基于 SDXL 的一步式对象效应去除模型。在训练过程中，我们为区域感知 蒸馏 设计了区域校准分布匹配 (RDM)，以保留教师模型的不对称编辑和保留行为。此外，我们提出了用于轻量级推理时间融合的可学习空间融合（LSF）。大量实验表明，TurboClear 显着提高了推理效率，同时保持了有竞争力的视觉质量。与 ObjectClear 相比，TurboClear 减少了高达 40.04倍的计算开销，与基于 Flux 的方法 OmniPaint 相比，减少了高达 665倍的计算开销，同时保持了相当或更好的视觉去除质量。代码可在 https://github.com/GuoCalix/TurboClear 获取。