测量滑块：从可微分图像测量中学习连续控制

仅当系数变化产生可预测的图像变化时，连续滑块才有用。然而，大多数扩散滑块从文本或学习的表示中得出轴，使其尺度与可观察的图像属性脱节。因此，我们无法提前判断哪些属性是可学习的，无法直接比较控制强度，也无法预测组合多个控制时的干扰。我们提出了测量滑块，这是一个通过封闭式可微分图像测量来定义连续控制的框架。公共测量空间统一了管道。在训练之前，可观察性测试确定可用的监督。在训练期间，测量引导的目标学习目标运动，同时抑制非目标变化。训练后，解码校准以实现的图像变化的可比较单位来表达控制。多个 LoRA 分支存储在一个检查点中，无需联合激活训练即可组合。在 SDXL 和 FLUX.1-dev 中，生成的控件是有序的、选择性的和可组合的。在 553 个提示上，照明方向达到 rho = 0.995 和 98.9% 单调扫描。五属性检查点的平均选择性为 2.59，而最强基线的平均选择性为 1.50，并且在 96.7% 的对组合和 86.1% 的三重组合中保留了每个请求的方向。可观察性测试还将每个后续成功的测量与失败的候选者分开。总体而言，图像空间测量为学习、诊断、校准和组合连续生成控制提供了共同基础。