UniSlider实现感知均匀的连续图像编辑滑块控制
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载现有滑块控制的感知缺陷
在当前的生成式连续图像编辑方法中，滑块仅仅是对方法强度参数的重新缩放，例如适配器系数、提示词权重或插值因子。这种强度参数与人类感知到的图像变化关联性很差。具体表现为：当滑块移动时，图像可能会发生局部回退；在滑块的很长一段区间内，图像可能没有任何可见差异；而在很短的区间内，图像又可能发生突然的剧烈变化。虽然对强度进行重映射可以修复这种不均匀的步调，但这仅在轨迹单调时才有效，而现有方法并未强制轨迹的单调性。
UniSlider的训练与推理机制
为了解决上述问题，UniSlider明确区分了滑块与强度，并要求从输入到输出的感知距离随滑块值线性增长。该方法在少步编辑主干网络上训练一个轻量级LoRA，使其强度逼近理想滑块。少步采样使得该方法能够在像素空间中施加这一目标，而无需中间真实值参考，且主干网络在满强度时能保留其输出。然而，低秩适配器无法使强度完全均匀。因此，UniSlider的滑块是在推理时通过对强度进行自适应采样重映射得到的。由于训练过程优化了轨迹的单调性，这种重映射能够在不需要额外训练或参数的情况下弥补剩余的差距。
基准测试与用户评估结果
研究提出了一个包含300次连续编辑的新基准测试，用于评估均匀性、单调性、编辑保真度和身份保持这四个维度。在该基准测试中，UniSlider在所有指标上均优于所有先前方法。此外，在用户偏好研究中，UniSlider也获得了更高的偏好度，证明了其在实际交互场景中提供更稳定、可预测的图像编辑体验的能力。
为什么值得看
解决图像编辑滑块控制不均匀、易回退痛点，实现随数值线性变化的感知均匀编辑，提升交互体验。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。