更快：奖励引导图像编辑中用于端点细化的快速伴随随机传输

测试时的奖励引导图像编辑旨在提高指定奖励，同时保留源内容和视觉合理性。许多现有方法通过预训练的生成过程来优化候选者，从而使重复调整依赖于昂贵的大型模型执行，并且在某些情况下还依赖于骨干模型反向传播。我们开发了一个理论框架，共同考虑奖励、源保存和预训练先验偏好，允许将所需的输出分布与用于实现它的动态分开指定。基于这个框架，我们引入了 FASTER，它为每个源和目标训练一个小型网络以执行廉价的编辑，而预训练和奖励模型则提供有关候选输出的反馈。通过在多个小型网络更新中重用每个候选者及其反馈，FASTER 减少了重复采样和监督查询，而无需将预训练的生成骨干模型放置在内部优化循环中。在 SD3 上，FASTER 在评估的方法中领先于所有四个目标指标和几个验证指标。与沿预训练生成轨迹优化控制的评估基线相比，FASTER 在 Stable Diffusion 3 上实现了高达 \({6.91\times}\) 的编辑时间加速，在 Stable Diffusion 1.5 上实现了 \({24.14\times}\) 的编辑时间加速。