摘要
背景一致性仍是图像编辑任务中的一项重大挑战。尽管已有大量研究进展，现有方法在保持原始图像相似性与生成与目标语义一致的内容之间仍面临权衡。为此，我们提出KV-Edit，一种无需训练的方法，利用扩散模型中的键值缓存（KV cache）机制在DiT（Diffusion Transformer）架构中实现背景一致性，其核心思想是保留背景区域的特征令牌（tokens）而不进行重新生成，从而避免了复杂机制或高昂训练成本，最终在用户指定区域内生成与背景无缝融合的新内容。我们进一步研究了编辑过程中KV缓存的内存消耗问题，并提出一种无需反演（inversion-free）的方法，将空间复杂度优化至O(1)。该方法可兼容任意基于DiT的生成模型，无需额外训练。实验结果表明，KV-Edit在背景一致性和图像质量方面显著优于现有方法，甚至超越部分基于训练的方法。项目主页详见：https://xilluill.github.io/projectpages/KV-Edit