FlowSlider：免訓練的連續影像編輯技術，透過保真與引導解構實現精準滑桿控制

本研究提出 FlowSlider，一種無需額外訓練的連續影像編輯方法。透過將 Rectified Flow 分解為相互正交的保真與引導項，讓使用者能如同操作滑桿般平滑地調整編輯強度。

Problem

目前的連續影像編輯多仰賴預先訓練的輔助模組，這不僅增加額外的運算負擔，更常因訓練資料的分布偏差，導致在處理非典型影像或特定編輯指令時，難以兼顧編輯方向的一致性與原始影像的保真度。

研發團隊提出 FlowSlider 技術，將 FlowEdit 的更新過程解構為「保真項」與「引導項」。保真項作為穩定器維持原始影像結構，引導項則驅動語義轉向。幾何分析與實測證實兩者幾近正交，因此僅需縮放引導項，即可在不影響影像特徵的前提下實現強度控制。

實驗證明 FlowSlider 在完全無需後續訓練的情況下，能提供極其流暢且可靠的編輯體驗。在多樣化的影像任務中，該方法在保持原始影像身分特徵與控制編輯方向的一致性上，表現皆優於現有基於學習的滑桿技術。

這項研究突破了現有滑桿式編輯對大規模合成數據與訓練成本的依賴，大幅提升了生成式 AI 編輯工具的泛用性與執行效率，為高品質、高穩定性的連續影像後製提供了更具效率的解決方案。