HyperAI超神经

一、教程简介

KV-Edit 项目由清华大学人工智能学院于 2025 年 2 月 25 日推出，该模型是一种无训练图像编辑方法，能够严格保持原始图像和编辑图像之间的背景一致性，并在各种编辑任务上取得了令人印象深刻的性能，包括物体添加、移除和替换。 KV-Edit 的核心在于利用 KV 缓存来存储背景标记的键值对。在图像反转过程中，这些键值对被保存，而在去噪阶段，它们与前景内容结合，生成与背景无缝集成的新内容。这种方法避免了复杂机制或昂贵的训练需求，同时确保了背景的一致性和图像的整体质量。相关论文成果为「KV-Edit: Training-Free Image Editing for Precise Background Preservation」。

本教程采用资源为单卡 A6000 。

👉 该项目提供了两种型号的模型：

black-forest-labs/FLUX.1-dev：FLUX.1 [dev] 是一个具有 120 亿参数的校正流变换器，能够根据文本描述生成图像。
black-forest-labs/FLUX.1-schnell：FLUX.1 [schnell] 是一个具有 120 亿参数的校正流变换器，能够根据文本描述生成图像。

项目示例

二、运行步骤

1. 启动容器后点击 API 地址即可进入 Web 界面

若显示「Bad Gateway」，这表示模型正在初始化，由于模型较大，请等待约 1-2 分钟后刷新页面。

2. 进入网页后，即可与模型展开对话

步骤说明：
1️⃣ 上传您需要编辑的图片。
2️⃣ 填写您的源提示词，然后点击「inverse」按钮以执行图像反转。
3️⃣ 使用画笔工具绘制您的遮罩区域。
4️⃣ 填写您的目标提示词，然后调整超参数。
5️⃣ 点击「Edit」按钮生成您的编辑后的图片。

❗️重要的使用技巧:

图片不能超过 100 KB 。
在使用基于反转的版本时，您只需对每张图片进行一次反转，然后可以重复步骤 3-5 进行多次编辑尝试！
re_init 表示使用带有噪声的图像混合而不是反转的结果来生成新内容。
当勾选 attn_mask 选项时，在进行反转之前需要输入掩码。
当掩码较大，且使用较少的跳过步骤或 re_init 时，掩码区域的内容可能与背景不连续，您可以尝试增加 attn_scale 。
inverse 为反转，edit 为编辑去除背景。
Number of skip steps 控制跳过步骤数。
inversion Guidance 倒置指导参数。
denoise Guidance 降噪指导参数。

交流探讨

🖌️ 如果大家看到优质项目，欢迎后台留言推荐！另外，我们还建立了教程交流群，欢迎小伙伴们扫码备注【SD 教程】入群探讨各类技术问题、分享应用效果↓

引用信息

感谢 Github 用户 zhangjunchang 对本教程的部署，本项目引用信息如下：

@article{zhu2025kv,
  title={KV-Edit: Training-Free Image Editing for Precise Background Preservation},
  author={Zhu, Tianrui and Zhang, Shiyi and Shao, Jiawei and Tang, Yansong},
  journal={arXiv preprint arXiv:2502.17363},
  year={2025}
}