FoolSDEdit：将您的编辑巧妙地引导至目标属性感知分布
内容提要
该文综述扩散模型在图像编辑中的应用，提出统一概率框架，证明SDE优于ODE，并给出修复、图像转换的SDE方法及SDE-Drag拖曳技术，在DragBench上超越DragGAN等基准。
延伸解读
SDE 在图像编辑中的理论优势
文章通过统一的概率框架证明，在扩散式图像编辑中，SDE 的边际分布与目标分布的 KL 散度会随时间逐渐减小，而 ODE 的散度在时间趋近于零时保持不变。这一理论结果解释了为何 SDE 在编辑任务中能更有效地引导样本走向目标属性感知分布，为 SDE 优于 ODE 提供了数学依据。
SDE-Drag 与 DragBench 的实证表现
基于 SDE 公式，作者提出了点内容拖曳方法 SDE-Drag，并构建了包含自然图像、艺术图像和 AI 生成图像的 DragBench 基准。用户研究表明，SDE-Drag 在 DragBench 上大幅超越了 ODE 基准、现有基于扩散的方法以及著名的 DragGAN，验证了 SDE 在交互式编辑中的有效性和通用性。
实际应用与任务扩展
文章将 SDE 对应项应用于修复和图像到图像转换等常见任务，这些 SDE 方法在实验中均显示出一致且显著的改进。这表明 SDE 框架不仅限于理论分析，还能直接替换现有 ODE 基准，提升多种图像编辑任务的生成质量和忠实度，为后续研究提供了可复用的方案。
Q&A
FoolSDEdit 提出的统一概率框架是什么？
该框架将扩散式图像编辑中的潜变量以任务特定方式进行编辑，并定义相应的 SDE 或 ODE 进行编辑，通常偏离原始 SDE 或 ODE 引起的边际分布。
为什么说 SDE 在图像编辑中优于 ODE？
在统一概率框架中，两个 SDE 之间的边际分布的 Kullback-Leibler 散度逐渐减小，而 ODE 的散度在时间趋近于零时保持不变，这表明 SDE 在图像编辑中具有优势。
SDE-Drag 是什么？它在 DragBench 上的表现如何？
SDE-Drag 是一种基于 SDE 公式的简单而有效的点内容拖曳方法。在 DragBench 的用户研究中，SDE-Drag 在很大程度上胜过了 ODE 基准、现有的基于扩散的方法以及著名的 DragGAN。
DragBench 基准包含哪些类型的图像？
DragBench 是一个具有挑战性的基准，包含自然图像、艺术图像和 AI 生成图像。
SDE 方法在哪些图像编辑任务中显示出改进？
SDE 方法在包括修复和图像到图像转换在内的各种任务中，提供了常用 ODE 基准的 SDE 对应项，并显示出一致而显著的改进。
FoolSDEdit 的主要贡献是什么？
主要贡献包括：提出统一的概率形式用于扩散式图像编辑，证明 SDE 优于 ODE；为修复和图像到图像转换等任务提供 SDE 对应项；提出 SDE-Drag 点内容拖曳方法；创建 DragBench 基准，并证明 SDE 在图像编辑中的优势和多功能性。
