RIDGE: 내부 동적 지침을 활용한 이미지 편집을 위한 재-노이징

RIDGE: Re-Noising with Internal Dynamic Guidance for Image Editing

인버전(Inversion) 없이 흐름 기반의 이미지 편집은 잠재 공간 인코딩 단계를 생략하지만, 여전히 모든 편집 단계에서 대상 측 상태 정보가 필요합니다. 널리 사용되는 동일 변위(equal-displacement) 방식은 노이즈 레벨에 관계없이 noisy한 원본 상태와 대상 측 상태 사이의 거리를 일정하게 유지합니다. 이는 노이징 과정과 일치하지 않는데, 동일한 노이즈 레벨과 샘플로 노이징된 두 개의 깨끗한 상태 사이의 거리는 노이즈 레벨이 증가함에 따라 감소해야 합니다. 따라서, 높은 노이즈 레벨에서 과도하게 공격적인 업데이트가 발생할 수 있습니다. 본 논문에서는 RIDGE (Re-Noising with Internal Dynamic Guidance)를 제안합니다. RIDGE는 인버전과 학습 과정 없이 이미지 편집을 수행하며, 편집된 상태를 사용할 수 없는 깨끗한 대상 상태에 대한 점진적인 근사값으로 유지합니다. RIDGE는 이 근사값을 원본 상태와 동일한 노이즈 레벨과 샘플을 사용하여 다시 노이징 처리하여, 노이즈 레벨이 증가함에 따라 noisy한 상태 간의 거리가 자연스럽게 감소하도록 합니다. 편집된 상태가 초기에는 제한적인 대상 의미 정보를 포함하기 때문에, RIDGE는 초기에 높은 노이즈 레벨 단계에서 내부 동적 지침을 추가적으로 적용합니다. 깨끗한 대상 상태 예측은 모델 내부에서 파생된 소프트(soft)한 동적 마스크를 통해 임시 편집 상태를 안내하며, 외부 분할(segmentation) 또는 검출(detection) 모델 없이 수정이 필요한 영역에 대한 지침을 제공합니다. SD3 Medium과 FLUX.1-dev라는 두 가지 백본 구조를 사용한 두 개의 벤치마크 실험 결과, RIDGE는 원본 보존, 대상 정렬 및 인지적 품질 측면에서 균형 잡힌 성능을 보여줍니다.

Inversion-free flow-based image editing avoids latent inversion, but still requires a target-side state at every editing step. The widely used equal-displacement construction keeps the displacement between the noisy source state and the target-side state unchanged across noise levels. This is inconsistent with noising, under which the displacement between two clean states noised with the same noise level and noise sample should contract as the noise level increases. Thus, it can lead to overly aggressive updates at high noise levels. We introduce RIDGE: Re-Noising with Internal Dynamic Guidance for Image Editing, an inversion-free and training-free method that maintains the edited state as an evolving approximation to the unavailable clean target state. RIDGE re-noises this approximation using the same noise level and noise sample as the clean source state, allowing their noisy displacement to decrease naturally with increasing noise. Since the edited state initially contains limited target semantics, RIDGE further applies internal dynamic guidance during the early high-noise steps. A clean target state prediction guides the provisional edited state through a soft dynamic mask derived internally from the model, focusing guidance on regions that require modification without external segmentation or detection models. Experiments on two benchmarks using two backbones, SD3 Medium and FLUX.1-dev, show that RIDGE offers a favorable aggregate trade-off among source preservation, target alignment, and perceptual quality.