1. Introduction au tutoriel

Le projet KV-Edit, lancé par l'École d'intelligence artificielle de l'Université Tsinghua le 25 février 2025, est une méthode de retouche d'images sans apprentissage qui garantit une cohérence rigoureuse de l'arrière-plan entre l'image originale et l'image retouchée. Elle offre des performances remarquables pour diverses tâches de retouche, notamment l'ajout, la suppression et le remplacement d'objets. Le principe de KV-Edit repose sur l'utilisation d'un cache de paires clé-valeur contenant les étiquettes de l'arrière-plan. Ces paires sont préservées lors de l'inversion de l'image et, lors de la débruitage, combinées au contenu du premier plan pour générer un nouveau contenu parfaitement intégré à l'arrière-plan. Cette approche évite les mécanismes complexes et les exigences d'apprentissage coûteuses, tout en assurant la cohérence de l'arrière-plan et la qualité globale de l'image. Les résultats de la publication associée sont les suivants : KV-Edit : retouche d'images sans formation pour une préservation précise de l'arrière-plan .

Ce tutoriel utilise des ressources pour une seule carte A6000.

👉 Le projet fournit deux modèles de modèles :

• black-forest-labs/FLUX.1-dev: FLUX.1 [dev] est un transformateur de flux rectifié de 12 milliards de paramètres capable de générer des images à partir de descriptions textuelles.
• black-forest-labs/FLUX.1-rapide: FLUX.1 [schnell] est un transformateur de flux rectifié de 12 milliards de paramètres capable de générer des images à partir de descriptions textuelles.

Exemples de projets

2. Étapes de l'opération

1. Après avoir démarré le conteneur, cliquez sur l'adresse API pour accéder à l'interface Web

Si « Bad Gateway » s'affiche, cela signifie que le modèle est en cours d'initialisation. Étant donné que le modèle est grand, veuillez patienter environ 1 à 2 minutes et actualiser la page.

2. Après être entré sur la page Web, vous pouvez démarrer une conversation avec le modèle

Mesures:
1️⃣ Téléchargez l’image que vous souhaitez modifier.
2️⃣ Remplissez votre mot source et cliquez sur le bouton « inverser » pour effectuer l'inversion de l'image.
3️⃣ Utilisez l’outil Pinceau pour peindre sur la zone de votre masque.
4️⃣ Remplissez votre repère cible et ajustez les hyperparamètres.
5️⃣ Cliquez sur le bouton « Modifier » pour générer votre image modifiée.

❗️Conseils d’utilisation importants :

• Les images ne peuvent pas dépasser 100 Ko.
• Lorsque vous utilisez la version basée sur l'inversion, vous n'avez besoin d'inverser chaque image qu'une seule fois, puis vous pouvez répéter les étapes 3 à 5 pour plusieurs tentatives d'édition !
• re_init signifie générer un nouveau contenu en utilisant un mélange d'images avec du bruit au lieu du résultat inversé.
• Lorsque l'option attn_mask est cochée, un masque doit être saisi avant que l'inversion ne soit effectuée.
• Lorsque le masque est grand et que moins d'étapes de saut ou de re_init sont utilisées, le contenu de la zone masquée peut être discontinu avec l'arrière-plan. Vous pouvez essayer d'augmenter attn_scale.
• inverse signifie inversion, et edit signifie éditer pour supprimer l'arrière-plan.
• Le nombre d'étapes de saut contrôle le nombre d'étapes de saut.
• Guidage d'inversion Paramètres de guidage d'inversion.
• Guide de réduction du bruit Paramètres de guidage de réduction du bruit.

Échange et discussion

🖌️ Si vous voyez un projet de haute qualité, veuillez laisser un message en arrière-plan pour le recommander ! De plus, nous avons également créé un groupe d’échange de tutoriels. Bienvenue aux amis pour scanner le code QR et commenter [Tutoriel SD] pour rejoindre le groupe pour discuter de divers problèmes techniques et partager les résultats de l'application↓

Informations sur la citation

Merci à l'utilisateur Github zhangjunchang  Pour le déploiement de ce tutoriel, les informations de référence du projet sont les suivantes :

@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}
}