FlowSlider: Training-Free Continuous Image Editing via Fidelity-Steering Decomposition

यहाँ शोध पत्र "FlowSlider: Training-Free Continuous Image Editing via Fidelity-Steering Decomposition" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

निरंतर छवि संपादन (Continuous Image Editing) का लक्ष्य उपयोगकर्ताओं को संपादन की तीव्रता (जैसे, चेहरे को तटस्थ से मुस्कुराते हुए में बदलना, या किसी दृश्य को धुंधले से स्पष्ट में बदलना) पर "स्लाइडर-शैली" का नियंत्रण प्रदान करना है। जबकि मौजूदा विधियाँ टेक्स्ट-निर्देशित संपादन की अनुमति देती हैं, वे ट्रेनिंग-फ्री (training-free) परिवेश में निरंतर स्ट्रेंथ मॉड्यूलेशन (continuous strength modulation) के लिए संघर्ष करती हैं।

• लर्निंग-आधारित विधियों की सीमाएँ (Limitations of Learning-Based Methods): वर्तमान दृष्टिकोण (जैसे, Concept Sliders, Kontiness Kontext) सिंथेटिक या प्रॉक्सी सुपरविजन का उपयोग करके सहायक मॉड्यूल (जैसे LoRA) को प्रशिक्षित करने पर निर्भर करते हैं। यह प्रशिक्षण ओवरहेड को बढ़ाता है और स्लाइडर के व्यवहार को विशिष्ट प्रशिक्षण वितरण (training distribution) से जोड़ देता है, जिससे अनदेखे डोमेन या संपादन पर लागू होने पर इसकी विश्वसनीयता कम हो जाती है।
• ट्रेनिंग-फ्री विधियों की सीमाएँ (Limitations of Training-Free Methods): रेक्टिफाइड फ्लो (विशेष रूप से FlowEdit) पर आधारित मौजूदा ट्रेनिंग-फ्री संपादक उच्च-फिडेलिटी संपादन की अनुमति देते हैं, लेकिन उनमें स्ट्रेंथ कंट्रोल के लिए एक व्यवस्थित तंत्र का अभाव है। FlowEdit में वेलोसिटी अपडेट को सीधे स्केल करने के लिए (अपडेट वेक्टर को एक स्केलर $s$ से गुणा करने के लिए) काईं-कायं (naively) किया गया तो यह आर्टिफैक्ट्स (रिंगिंग, ओवर-शार्पनिंग) और फिडेलिटी लॉस का कारण बनता है, क्योंकि यह वांछित सिमेंटिक परिवर्तन और अवांछित नॉइज़ रेसिडुअल दोनों को बढ़ा देता है।

लक्ष्य: एक ऐसी ट्रेनिंग-फ्री विधि विकसित करना जो स्रोत छवि की पहचान (identity) को सख्ती से सुरक्षित रखते हुए और एक सुसंगत संपादन दिशा बनाए रखते हुए, संपादन की शक्ति (edit strength) पर सहज, मोनोटोनिक नियंत्रण सक्षम कर सके।

---

2. कार्यप्रणाली: FlowSlider (Methodology: FlowSlider)

FlowSlider का मुख्य नवाचार फिडेलिटी-स्टीयरिंग डिकंपोजिशन (Fidelity-Steering Decomposition) है। लेखक FlowEdit के वेलोसिटी अपडेट तंत्र का विश्लेषण करते हैं और इसे गणितीय रूप से दो अलग-अलग, लगभग ऑर्थोगोनल (orthogonal) घटकों में विभाजित करते हैं।

A. डिकंपोजिशन (The Decomposition)

FlowEdit में, एडिटिंग वेलोसिटी अपडेट $V^\Delta(t)$ को टारगेट प्रॉम्प्ट वेलोसिटी और सोर्स प्रॉम्प्ट वेलोसिटी के अंतर के रूप में गणना किया जाता है:
$$V^\Delta(t) = V(z_t^{\text{tar}}, t, c_{\text{tar}}) - V(z_t^{\text{src}}, t, c_{\text{src}})$$

FlowSlider एक मध्यवर्ती पद $V(z_t^{\text{tar}}, t, c_{\text{src}})$ पेश करता है ताकि $V^\Delta$ को सटीक रूप से इस प्रकार विभाजित किया जा सके:
$$V^\Delta(t) = \underbrace{\big(V(z_t^{\text{tar}}, t, c_{\text{tar}}) - V(z_t^{\text{tar}}, t, c_{\text{src}})\big)}_{\text{स्टीयरिंग टर्म } (V_{\text{steer}})} + \underbrace{\big(V(z_t^{\text{tar}}, t, c_{\text{src}}) - V(z_t^{\text{src}}, t, c_{\text{src}})\big)}_{\text{फिडेलिटी टर्म } (V_{\text{fid}})}$$

1. स्टीयरिंग टर्म ($V_{\text{steer}}$): यह सिमेंटिक ट्रांजिशन (semantic transition) का प्रतिनिधित्व करता है। यह एक "सेम-स्टेट, क्रॉस-प्रॉम्प्ट" अंतर है। यह छवि को सोर्स सिमेंटिक्स से टारगेट सिमेंटिक्स की ओर ले जाता है।
2. फिडेलिटी टर्म ($V_{\text{fid}}$): यह सोर्स स्टेबिलाइज़ेशन (source stabilization) का प्रतिनिधित्व करता है। यह एक "सेम-प्रॉम्प्ट, क्रॉस-स्टेट" अंतर है। यह एक स्टेबलाइज़र के रूप में कार्य करता है जो प्रक्षेपवक्र (trajectory) को सोर्स-कंसिस्टेंट रिजीम के करीब रखता है, जिससे सोर्स और टारगेट स्टेट्स के बीच साझा किए गए नॉइज़ घटकों को रद्द करके पहचान और संरचना को संरक्षित किया जाता है।

B. नियंत्रण तंत्र (The Control Mechanism)

पूरे अपडेट वेक्टर को स्केल करने के बजाय (जो नॉइज़ और आर्टिफैक्ट्स को बढ़ा देता है), FlowSlider केवल स्टीयरिंग टर्म को स्केल करता है और फिडेलिटी टर्म को स्थिर रखता है:
$$V^\Delta_s(t) = V_{\text{fid}}(t) + s \cdot V_{\text{steer}}(t)$$
जहाँ $s$ स्ट्रेंथ स्केलर है।

• $s=1$: मूल FlowEdit अपडेट को रिकवर करता है।
• $s > 1$: सोर्स-प्रिजर्विंग डायनेमिक्स को अस्थिर किए बिना सिमेंटिक तीव्रता को बढ़ाता है।
• $s < 1$: संपादन को कम (attenuate) करता है।

C. ज्यामितीय औचित्य (Geometric Justification)

लेखक सिद्ध करते हैं कि $V_{\text{fid}}$ और $V_{\text{steer}}$ लगभग ऑर्थोगोनल (कोणीय मान $90^\circ$ के पास केंद्रित) हैं।

• क्योंकि वे ऑर्थोगोनल हैं, $V_{\text{steer}}$ को स्केल करने का फिडेलिटी दिशा में अपडेट के प्रोजेक्शन पर न्यूनतम प्रभाव पड़ता है।
• यह सुनिश्चित करता है कि $s$ को बढ़ाने से सोर्स-कंसिस्टेंसी मैकेनिज्म को बाधित किए बिना संपादन की शक्ति रैखिक रूप से बढ़ती है, जिससे वह ड्रिफ्ट और आर्टिफैक्ट्स रुक जाते हैं जो नैव (naive) स्केलिंग में देखे जाते हैं।

---

3. मुख्य योगदान (Key Contributions)

1. ट्रेनिंग-फ्री कंटीन्यूअस कंट्रोल: FlowSlider रेक्टिफाइड फ्लो-आधारित संपादन के लिए बिना किसी पोस्ट-ट्रेनिंग, फाइन-ट्यूनिंग या सिंथेटिक डेटा सुपरविजन के विश्वसनीय, स्लाइडर-शैली नियंत्रण प्रदान करने वाली पहली विधि है।
2. फिडेलिटी-स्टीयरिंग डिकंपोजिशन: यह शोध पत्र संपादन वेलोसिटी के एक नवीन बीजगणितीय विभाजन (algebraic decomposition) को पेश करता है, जो एक सिमेंटिक स्टीयरिंग घटक और एक फिडेलिटी स्टेबलाइजिंग घटक में विभाजित है। यह संपादन की शक्ति और सोर्स प्रिजर्वेशन के स्वतंत्र नियंत्रण की अनुमति देता है।
3. ज्यामितीय विश्लेषण: लेखक इस बात का अनुभवजन्य और सैद्धांतिक प्रमाण प्रदान करते हैं कि दोनों घटक ऑर्थोगोनल हैं, जो यह समझाता है कि क्यों डिकपल्ड स्केलिंग स्थिर परिणाम देती है जबकि ग्लोबल स्केलिंग विफल हो जाती है।
4. सामान्यीकरण (Generalizability): यह विधि रेक्टिफाइड फ्लो परिवार के भीतर मॉडल-एग्नोस्टिक है, जिसे FLUX.1-dev और Stable Diffusion 3 Medium दोनों पर प्रदर्शित किया गया है।

---

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने एक कस्टम कंटीन्यूअस एडिटिंग बेंचमार्क (सीजन, स्टाइल, मौसम, एक्सप्रेशन आदि को कवर करने वाले 250 नमूने) और सामान्य PIE-Bench पर FlowSlider का मूल्यांकन किया।

मेट्रिक्स:

• एडिट क्वालिटी: CLIP-dir (सिमेंटिक एलाइनमेंट) और DreamSim (सोर्स फिडेलिटी/प्रिजर्वेशन) द्वारा मापा गया।
• स्लाइडर व्यवहार: मोनोटोनिसिटी (प्रभाव में निरंतर वृद्धि) और स्मूथनेस (अचानक उछाल की कमी) द्वारा मापा गया।

मुख्य निष्कर्ष:

• बेहतर स्लाइडर व्यवहार: FlowSlider ने उच्चतम मोनोटोनिसिटी (FLUX.1 पर 0.833) और सबसे कम स्मूथनेस एरर (0.01) प्राप्त किया, जो लर्निंग-आधारित विधियों (Kontinuous Kontext, SliderEdit) और नैव ह्यूरिस्टिक कंट्रोल्स (CFG स्केलिंग, विंडो ट्यूनिंग) से काफी बेहतर है।
• उच्च फिडेलिटी: FlowSlider ने अन्य विधियों की तुलना में सबसे कम DreamSim स्कोर बनाए रखा (जो बेहतर सोर्स प्रिजर्वेशन दर्शाता है)। उदाहरण के लिए, FLUX.1 पर, इसने 0.090 का DreamSim प्राप्त किया, जबकि लर्निंग-आधारित विधियाँ अक्सर 0.17 से अधिक हो जाती हैं।
• एब्लेशन स्टडीज (Ablation Studies):
  • नैव स्केलिंग (Naive Scaling): पूरे $V^\Delta$ को स्केल करने से गंभीर आर्टिफैक्ट्स (रिंगिंग, ओवर-शार्पनिंग) और खराब फिडेलिटी (DreamSim 0.423) उत्पन्न हुई।
  • लीनियर इंटरपोलेशन (Linear Interpolation): मजबूत संपादन को प्रभावी ढंग से एक्सट्रपलेट करने में विफल रहा, जिसके परिणामस्वरूप कम सिमेंटिक एलाइनमेंट (CLIP-dir 0.119) हुआ।
  • FlowSlider: लगातार उच्च सिमेंटिक एलाइनमेंट और उच्च फिडेलिटी के बीच संतुलन बनाया।

गुणात्मक परिणाम (Qualitative Results):
विजुअल तुलनाओं ने दिखाया कि FlowSlider स्मूथ ट्रांजिशन (जैसे, "धुंधला $\rightarrow$ स्पष्ट" या "तटस्थ $\rightarrow$ मुस्कुराते हुए") उत्पन्न करता है जहाँ मध्यवर्ती चरण स्वाभाविक दिखते हैं। इसके विपरीत, नैव स्केलिंग ने उच्च स्ट्रेंथ पर अवास्तविक आर्टिफैक्ट्स पेश किए, और लर्निंग-आधारित विधियाँ अक्सर मूल छवि की संरचना को बनाए रखने में विफल रहीं या सिंथेटिक दिखने वाले आउटपुट दिए।

---

5. महत्व (Significance)

• पैराडाइम शिफ्ट: FlowSlider पैराडाइम को "एक स्लाइडर सीखने" से बदलकर "एक एडिटर की गतिशीलता (dynamics) का विश्लेषण करने" की ओर ले जाता है। यह प्रदर्शित करता है कि जटिल नियंत्रण तंत्र को सीधे प्री-ट्रेंड मॉडल्स के गणितीय गुणों से प्राप्त किया जा सकता है।
• व्यावहारिक उपयोगिता: बिना ट्रेनिंग की आवश्यकता को हटाकर, FlowSlider को किसी भी प्रॉम्प्ट पेयर और किसी भी वास्तविक छवि पर तुरंत लागू किया जा सकता है, जिससे यह इंटरैक्टिव एडिटिंग टूल्स के लिए अत्यधिक सुलभ हो जाता है।
• मजबूती (Robustness): यह विधि "डिस्ट्रीब्यूशन शिफ्ट" की महत्वपूर्ण समस्या को हल करती है जहाँ ट्रेनिंग-आधारित स्लाइडर उन संपादन या डोमेन पर विफल हो जाते हैं जो उनके प्रशिक्षण के दौरान नहीं देखे गए थे। FlowSlider का अंडरलाइंग रेक्टिफाइड फ्लो डायनेमिक्स पर भरोसा यह सुनिश्चित करता है कि यह विविध कार्यों में विश्वसनीय रूप से काम करता है।

निष्कर्षतः, FlowSlider निरंतर छवि संपादन के लिए एक सैद्धांतिक रूप से सुदृढ़, ट्रेनिंग-फ्री समाधान प्रदान करता है, जो मजबूत सिमेंटिक कंट्रोल और सख्त सोर्स फिडेलिटी के बीच एक दुर्लभ संतुलन प्राप्त करता है।