🤖 machine learning

Stable and Near-Reversible Diffusion ODE Solvers for Image Editing

本文提出了一种稳定的图像编辑框架，该框架将近可逆的龙格 - 库塔求解器与向量场平滑相结合，以克服完全可逆的常微分方程方法的不稳定性及质量退化问题，从而在背景保持与提示词对齐之间实现更优的平衡。

原作者： Barbora Barancikova, Daniil Shmelev, Cristopher Salvi

发布于 2026-05-19

📖 1 分钟阅读☕ 轻松阅读

原作者： Barbora Barancikova, Daniil Shmelev, Cristopher Salvi

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

以下是用简单语言和创造性类比对该论文的解读。

宏观视角：用 AI 编辑照片

想象你有一张狗的照片，你想用 AI 把它变成猫。AI 的工作原理是：先取这张照片，将其转化为“噪声”（静态干扰），然后根据你新的指令（“把它变成猫”）重新构建它。

为了做好这件事，AI 需要确切知道如何将原始狗照片还原回那种噪声。这个过程称为反演。如果 AI 得到的“噪声”版本有误，最终的猫照片就会看起来很怪，或者背景（比如草地或栅栏）可能会失真。

问题：“完美”路径 vs. “稳定”路径

长期以来，研究人员试图寻找一条将照片转化为噪声再还原的数学“完美路径”。他们构建了名为可逆求解器的特殊工具。

类比：想象走在一条狭窄的结冰山路上。“可逆求解器”就像一位徒步者，承诺如果他向前走 10 步，就能向后走 10 步，并落在完全相同的那块岩石上。
陷阱：论文发现，虽然这些徒步者擅长小步移动，但在大跨步时却表现糟糕。如果你要求 AI 进行巨大改变（比如把狗变成猫，或者把晴天变成暴风雨），“完美路径”就会变得不稳定。徒步者会滑倒，数学计算会崩溃，图像的背景也会遭到破坏。

论文揭示了一个权衡：

完美可逆性：能保护背景安全，但在编辑幅度大时会失效。
大幅编辑：你可以进行巨大改变，但背景会变得混乱。

解决方案：“近乎完美”的徒步者

作者提出了一种名为EES 求解器（显式且有效对称）的新工具。

类比：与其让徒步者坚持每次都落在完全相同的岩石上，不如想象一位愿意落在非常接近原岩石位置的徒步者。他们在数学上并非完美，但稳定得多。他们不会在冰面上滑倒。
为何有效：通过放宽“必须完美可逆”的规则，这些新求解器能够在处理大幅图像编辑的“崎岖地形”时保持平衡，而不会失足。

秘密武器：铺平道路

论文还发现，AI 行走的“道路”（数学路径）可能是颠簸的，尤其是在你要求强烈改变时。

类比：想象开车。如果道路满是坑洼（颠簸的数学计算），即使是好车也会撞毁。作者使用了一种称为向量场平滑（具体为“平滑扩散”）的技术来铺平道路。
结果：当你将“近乎完美”的徒步者（EES）与“铺平的道路”（平滑）结合时，车子就能平稳行驶。背景保持完整，大幅编辑（如将狗变成猫）的效果也更好。

他们的测试

研究人员将新方法与旧的“完美”方法在两类挑战中进行了对比测试：

小幅编辑：改变衬衫颜色或添加帽子。
- 结果：新方法在保护背景安全方面与旧方法一样好，但在让编辑效果看起来正确方面实际上做得更好。
大幅编辑：剧烈改变场景（例如将照片变为黑白，或将狗变成猫）。
- 结果：旧的“完美”方法失效并产生了混乱的图像。新的“近乎完美”方法保持稳定，并产生了高质量的成果。

总结

论文认为，在 AI 图像编辑的世界里，完美是稳定的敌人。试图追求数学上的精确会导致 AI 在要求大幅改变时崩溃。通过使用“足够好”但非常稳定的方法（EES）并平滑数学路径，我们可以更可靠地编辑图像，在实现所需改变的同时保护背景安全。

技术摘要：用于图像编辑的稳定且近可逆扩散 ODE 求解器

问题陈述

基于扩散模型的基于反演的图像编辑，依赖于将概率流 ODE 从真实图像反向积分至潜在噪声状态，随后在新提示下正向积分以生成编辑后的图像。尽管代数可逆 ODE 求解器（如 EDICT、BDIA、BELM、Rex）曾被提出以消除基于标准 DDIM 流程中固有的反演误差，但实证结果表明，仅靠精确可逆性并不足够。

作者识别出一个关键权衡：当编辑需要更大的语义或视觉变化（迫使采样轨迹显著偏离原始反演路径）时，精确可逆求解器往往表现出数值不稳定性。这表现为输出质量的急剧下降，以及背景保留（维持原始图像结构）与提示对齐（忠实应用新编辑）之间的冲突。本文认为，这种失效模式根植于求解器的数值稳定性属性，而不仅仅是反演误差。

方法论

1. 近可逆 EES 求解器

核心提议是用**显式且有效对称（EES）**的龙格 - 库塔（Runge–Kutta）方法替代精确可逆求解器。

概念：与必须为隐式（因此计算昂贵）的经典对称方法不同，EES 方法是显式的。它们放宽了对精确代数可逆性的要求，仅强制在低误差容限内实现近似对称性。
优势：这种放宽使得 EES 方案能够保留标准龙格 - 库塔方法的显式形式，同时实现与经典高阶方法（如 RK4、RK5）相当的稳定性域，这些稳定性域显著大于现有可逆求解器（如 Reversible Heun 或 McCallum–Foster）的稳定性域。
实现：作者利用半对数信噪比（half-logSNR）时间变量（ $\lambda$ ）和 $x_0$ 预测器公式，针对扩散概率流 ODE 对 EES 方案进行了专门化。他们使用了两种特定方案：EES(2, 5) 和 EES(2, 7)，它们在阶段数量和稳定性之间提供了不同的平衡。

2. 向量场平滑

作者研究了近可逆方法对解轨迹正则性的依赖。他们发现，高引导尺度（无分类器引导）会导致向量场粗糙，从而降低 EES 方案的可逆性。

策略：为了缓解这一问题，作者将 EES 求解器与向量场平滑策略相结合，具体包括Smooth Diffusion（一种针对更平滑潜在几何结构微调的模型）以及推理时的启发式方法，如负提示反演（NPI）和近端引导（Proximal Guidance）。
协同效应：平滑向量场显著降低了 EES 求解器的重构误差，从而在编辑任务中转化为更好的背景保留效果。

3. 评估框架

本文区分了两种评估模式：

小幅度编辑：来自 PIE-Bench 的标准任务，其中编辑局限于提示/图像的子集。
大幅度编辑：涉及大语义或视觉偏差的任务（例如灰度转换、无关提示偏移），迫使轨迹远离反演路径。

主要贡献

权衡特征化：作者提供了并排评估，揭示了（近）可逆求解器在背景保留与提示对齐之间的清晰权衡曲线。他们证明，现有的精确可逆求解器往往无法在轨迹大幅偏离时保持质量。
EES 求解器的提出：本文介绍了将近可逆 EES 龙格 - 库塔方法用于基于反演的扩散编辑。
- 对于小幅度编辑，当与向量场平滑结合时，EES 方法在保持精确可逆求解器的背景保留优势的同时，提高了编辑保真度。
- 对于大幅度编辑，EES 被证明是最稳健的家族，在其他可逆求解器质量显著下降的情况下，仍能保持输出质量。
设计空间的澄清：本文澄清了可逆扩散求解器的更广阔图景。它表明，引导和平滑启发式方法（此前被视为与 DDIM 正交）同样能为可逆求解器带来显著增益。此外，本文对 Reversible Heun 和 McCallum–Foster 方法进行了基准测试，显示它们在特定设置中具有竞争力，但在大幅偏离下通常不如 EES 稳定。

结果

稳定性分析：理论分析证实，与多步可逆方法（如 BELM）和其他单步可逆方法（如 Reversible Heun）相比，EES 方法拥有显著更大的线性稳定性域。
小幅度编辑（PIE-Bench）：EES 求解器（特别是结合平滑的 EES(2,5) 和 EES(2,7)）实现了更优的平衡，相比 EDICT 等精确可逆求解器提供了更高的提示对齐度（CLIP 相似度），同时相比 DDIM 保持了显著更好的背景保留。
大幅度编辑：在涉及大提示偏差的实验中，精确可逆求解器（EDICT、BDIA、BELM）产生了不合理的输出或无法满足新提示。相比之下，EES 求解器保持稳定，并在所有指标（CLIP、PickScore、ImageReward）上取得了最强性能。
向量场平滑：实验表明，EES 重构误差随引导尺度（向量场不规则性）的增长而增大。应用 Smooth Diffusion 或 NPI 可大幅降低此误差，证实轨迹正则性是近可逆方法的关键因素。
消融实验：研究验证了 ODE 参数化（半对数信噪比 $x_0$ 预测）和步长离散化（ $\lambda$ 上的均匀分布）对于 EES 性能是最优的。

意义与主张

本文主张，精确可逆性并非基于扩散的图像编辑的万能药。现有可逆求解器的主要瓶颈并非缺乏代数反演，而是在编辑轨迹偏离反演路径时的数值不稳定性。

通过通过 EES 方案将精确可逆性交换为近可逆性，作者实现了一个求解器家族，其特点如下：

数值稳定：能够在不导致质量崩溃的情况下处理大幅轨迹偏离。
具有竞争力：在标准基准测试中匹配或超越精确可逆求解器的性能。
实用：与现有的平滑技术兼容，可进一步增强鲁棒性。

作者将这项工作定位为迈向生产级图像编辑器的步骤，指出虽然求解器设计是关键基石，但将这些求解器集成到更广泛的流程中（例如结合注意力保留方法）仍是未来工作的开放方向。本文并未声称解决所有图像编辑挑战，而是专门针对当前一代可逆扩散求解器的稳定性局限性。