SR-Edit：通过自我优化进行区域感知图像编辑

随着近年来生成模型的快速发展，图像编辑取得了显着的进步，但实现仅精确修改目标区域而严格保留所有其他区域的忠实编辑仍然具有挑战性。由于外部提供的区域注释在实践中通常很难获得，因此越来越多的工作试图通过自动推断编辑和非编辑区域，然后强制后者的一致性来改进保存。然而，这些方法仍然受到不准确的区域估计和启发式校正策略的影响，这些策略扭曲了本机推理过程，使得为保真度设计的方法本身成为伪影的新来源。我们提出了 SR-Edit，这是一种图像编辑框架，可以通过迭代自我完善来克服这些问题。具体来说，在每次迭代中，SR-Edit 首先 (i) 通过轻量级后处理从模型自身的预测中提取逐渐精确且自洽的区域分离，然后 (ii) 通过与原始采样动态保持一致的校正更新来强制保留非编辑区域。大量实验表明，与现有编辑技术相比，SR-Edit 可实现卓越的保存效果和整体图像质量。