LOCI: Localized Continuous Control for Multi-Subject Image Editing

📄 arXiv: 2610.31950v1 📥 PDF

作者: Sai Vidyaranya Nuthalapati, Shlok Kumar Mishra

分类: cs.CV

发布日期: 2026-10-22

💡 一句话要点

提出LOCI以解决多主体图像编辑中的局部控制问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 图像编辑 多主体 局部控制 连续编辑 深度学习

📋 核心要点

  1. 现有的图像编辑方法在编辑位置和强度上缺乏精细控制，无法满足多主体场景的需求。
  2. LOCI通过结合主体级注意力绑定和区域LoRA层，实现了对每个主体的独立、可调编辑强度。
  3. 实验结果显示，LOCI在多主体场景中显著提高了编辑保真度，并减少了区域间的干扰。

📝 摘要（中文）

近期的指令驱动图像编辑器如Flux.1-Kontext虽然支持文本驱动的编辑，但在编辑的具体位置和强度上缺乏精细控制。现有方法要么提供全局的连续控制，要么在固定强度下进行空间局部编辑。为此，本文提出了LOCI（局部连续控制的多主体图像编辑），能够在多主体图像中对每个主体进行独立选择的、可连续调整的编辑强度。例如，可以逐渐使一个人变老，同时为另一个人添加胡须，且最小化区域间的干扰。实验结果表明，LOCI在编辑保真度上表现优异，显著减少了区域间的干扰，同时保持了对编辑强度的连续控制。

🔬 方法详解

问题定义：本文旨在解决现有图像编辑方法在多主体场景中缺乏局部控制的问题。现有方法要么提供全局控制，要么在固定强度下进行局部编辑，无法满足用户对精细编辑的需求。

核心思路：LOCI的核心思路是通过主体级注意力绑定和区域LoRA层的结合，实现对每个主体的独立、可调编辑强度。这种设计允许用户在编辑时对不同主体施加不同的效果，且可以连续调整强度。

技术框架：LOCI的整体架构包括主体级注意力机制和区域LoRA层。主体级注意力机制用于实现空间隔离，而区域LoRA层则将LoRA的标量系数替换为与空间布局对齐的每个标记的缩放向量。

关键创新：LOCI的主要创新在于同时支持显式的空间定位、连续的区域强度控制以及多个主体的独立控制。这与现有方法的局限性形成鲜明对比，后者通常只能实现其中之一。

关键设计：在设计中，LOCI使用了一个适配器在一个抑制点进行训练，并在推理时通过重新缩放其区域残差来实现连续的编辑强度。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，LOCI在多主体场景中实现了强编辑保真度，相较于基线方法显著减少了区域间的干扰，具体性能提升幅度未知，且保持了对编辑强度的连续控制。

🎯 应用场景

LOCI的研究成果在多种图像编辑应用中具有广泛的潜在价值，例如在影视制作、广告设计和社交媒体内容创作中，能够为用户提供更高的编辑灵活性和精确度。未来，LOCI可能会推动个性化图像编辑工具的发展，使用户能够更自由地表达创意。

📄 摘要（原文）

Recent instruction-following image editors such as Flux.1-Kontext enable text-driven editing but lack fine-grained control over where and how much an edit is applied. Existing approaches provide either continuous but global control or spatially localized editing at a fixed strength. To our knowledge, none jointly supports explicit spatial localization, continuous per-region strength, and independent simultaneous control of multiple subjects. We present LOCI (LOcalized Continuous control for multi- subject Image editing). Given a multi-subject image with per-subject regions and instructions, LOCI edits each subject at an independently chosen, continuously adjustable strength, for instance gradually aging one person while adding a beard to another with minimal cross-region leakage. LOCI pairs subject-level attention binding for spatial isolation with a Regional LoRA layer that replaces the LoRA's scalar coefficient with a per-token scaling vector aligned to the spatial layout. A single adapter is trained at one suppression point, and continuous edit strengths follow by rescaling its regional residual at inference. Experiments on multi-subject scenes demonstrate that LOCI achieves strong edit fidelity with significantly reduced cross-region interference compared to baselines, while maintaining continuous control over edit strength