Visual Autoregressive Editing

EditMod 以自回归模型实现快速、以源为中心的图像编辑

研究人员推出了一种新颖的文本引导图像编辑方法 EditMod，该方法使用视觉自回归模型（VARs）。与以往关注目标条件生成的模型不同，EditMod 采用了以源为中心的视角。它分析源图像和目标条件预测之间的差异，以确定编辑方向，然后将该方向作为残差更新应用于源图像 token。据报道，该方法能够保持高源图像保真度和强大的文本对齐能力，在单个 A100 GPU 上不到两秒钟即可完成 1K 图像的完整编辑，且无需进行每张图像的预处理。