Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

FlowAlign: Trajectory-Regularized, Inversion-Free Flow-based Image Editing

Created by
  • Haebom

저자

Jeongsol Kim, Yeobin Hong, Jong Chul Ye

개요

본 논문은 Stable Diffusion 3과 같은 사전 훈련된 잡음-이미지 흐름 모델을 활용하여 상미분 방정식(ODE)을 풀어 텍스트 기반 조작을 가능하게 하는 FlowEdit와 같은 최근의 역변환이 필요 없는 흐름 기반 이미지 편집 방법을 다룹니다. 역변환이 필요 없다는 것이 주요 장점이지만, 불안정한 편집 경로와 원본 이미지와의 일관성 저하 문제가 발생합니다. 이를 해결하기 위해, 본 논문은 원칙적인 경로 제어를 통해 일관된 이미지 편집을 위한 새로운 역변환이 필요 없는 흐름 기반 프레임워크인 FlowAlign을 제안합니다. FlowAlign은 부드럽고 안정적인 경로를 유도하는 정규화 메커니즘으로 흐름 일치 손실(flow-matching loss)을 도입합니다. 특히, 흐름 일치 손실은 경로를 따라 편집 프롬프트와의 의미적 정렬과 원본 이미지와의 구조적 일관성을 명시적으로 균형 있게 맞추는 것으로 나타났습니다. 또한, FlowAlign은 ODE 경로를 단순히 역전시킴으로써 역방향 편집을 자연스럽게 지원하여 변환의 가역성과 일관성을 강조합니다. 광범위한 실험을 통해 FlowAlign이 기존 방법보다 원본 보존과 편집 제어 가능성 면에서 우수함을 보여줍니다.

시사점, 한계점

시사점:
역변환 없이 안정적이고 일관된 이미지 편집을 가능하게 하는 새로운 프레임워크 FlowAlign 제시.
흐름 일치 손실을 통한 의미적 정렬과 구조적 일관성의 균형 있는 제어.
ODE 경로의 역전을 통한 자연스러운 역방향 편집 지원.
기존 방법 대비 원본 보존 및 편집 제어 성능 향상.
한계점:
논문에서 제시된 한계점에 대한 명시적인 언급이 부족함.
FlowAlign의 성능 향상이 특정 데이터셋이나 조건에 국한될 가능성.
흐름 일치 손실의 최적화 파라미터 설정에 대한 추가적인 연구 필요.
👍