ChordEdit 是 CVPR 2026 的一篇 one-step 图像编辑论文，作者主页称其获得了 Best Student Paper Honorable Mention 提名，一作/通讯的本科身份让文章爆火。[1][2] 虽然不是搞算法的，也带着好奇看热闹的心态来拜读学习一下。
附录的 Figure 15 是四个参数的消融实验： \(\delta\) ，\(\lambda\) ，\(t\), \(t_c\)。本文不妨从这四个参数视角入手整理理解文章。
\(\lambda\): Diffusion 推理好似问路
Diffusion 模型函数 \(F(x_t,t,c)\) 输入 latent \(x_t\) 、当前 timestamp \(t\) 以及 prompt \(c\) 作为 condition，输出当前 \(t\) 下的噪声 / velocity / \(x_0\) 等预测；真正从当前 timestamp 走到 target timestamp 的步长由 scheduler / solver 决定，模型本身一般并不把 \(\delta t\) 或 target timestamp 作为 condition。故 One-step Edit 的 baseline 模型也是基于 One-step Backbone，比如 SD-Turbo / ADD、SwiftBrush-v2、InstaFlow。[3][4] Chord Edit 在 one-step 模型本身位移的基础上，添加了接近于 1 的 \(\lambda\) 参数用于放缩位移长度。
Diffusion 推理像是一个不断问路的过程，输入当前位置 \(x_t,t\)，查询目标位置 \(c\) ，问到一个大致的方向：往某个方向走多少。如果是 multi-step diffusion，则是需要走一步问一步，每次可能具体指导不准有偏差，但大致方向是对的，多次询问信息越来越准确收敛；而 one-step diffusion 就好比问到了 GPS，直接给出到目标位置的大跨度方向距离。
从 Forwarding 到编辑
如图原始图像和目标图像都可以被理解为从高斯噪声出发，通过扩散/flow 过程变为 \(x_{0}^{src}\) 和 \(x_{0}^{tar}\)。Edit 就是要找到一条从 \(x_{src}\) 到 \(x_{tar}\) 的路径。
但相比单独从噪声推理出两个图像，编辑从要求上：（1）编辑区域的语义干净；（2）又要保证非编辑区域的一致性；从实现上：（1）获取了干净的 \(x_0^{src}\) ，进而可以加噪获取任意 \(x_t^{src}\) ，加噪比去噪容易得多；（2）并没有推理完整路径中 \(x_{t}^{tar}\) 。
语义差分编辑：切换坐标系， \(t\)：反事实查询和语义要求
但图像生成模型在训练的时候，只见过同一个图像语义不同噪声程度的变换，没有见过不同图像语义之间的变换。函数 \(F\) 给出的方向，是以噪声 \(N\) 作为原点的坐标系下的。也就是说，\(F(x_t, t, c)\) 即使输入包含另一个语义，模型也会认为那是噪声，被“洗掉”往 \(c\) 的方向优化。
解决这个问题的做法是差分编辑：不要直接用 target prompt 下的完整生成方向，而是减去 source prompt 下的完整生成方向，留下 target 相对 source 的编辑方向。这类 source-target 差分思想在 DiffEdit、FlowEdit、InfEdit 等工作中都能看到。[5][6][7]
更准确地说，ChordEdit 并不是用
因为 \(x_t^{tar}\) 本身不可得。它实际使用的是同一个 source noisy latent：
然后在这个 \(z_t\) 上做 prompt 差分：
这就好比切换坐标系：先问“当前状态在 source prompt 下会怎么走”，再问“同一个状态在 target prompt 下会怎么走”，二者相减得到相对编辑方向。Chord Edit 的 Chord transport 使用了两个 timestamp 上的这种差分；而后面的 refinement 严格说不是 source-target 差分，而是用 target prompt 做一次额外语义增强。
因为我们不可能从生成目标图像的路径 \(x_{t}^{tar}\) 中获取变动，我们必须基于 \(x_{t}^{src}\) 找到朝向 target prompt 的方向。所以实际是用 \(F(z_t,t,c_{tar})\) 去问模型：如果同一个 source noisy latent 要服从 target prompt，它会给出什么方向？问 LLM 说这叫做 反事实查询 (counterfactual query)。
好在这个近似并非没有道理，随着 \(t\) 值趋近于 1，\(x_{t}^{src}\) 和 \(x_{t}^{tar}\) 都趋向高噪声分布，二者更加接近。故直观上语义更加准确，差分编辑选取的 \(t\) 值需要比较靠近 1。从消融图上可以看得，随着 \(t\) 接近 1，语义指标大致呈现提升趋势。
但论文没有直接选 \(t=1\)，而是默认 \(t=0.90\)。原因一方面是 \(t\) 越大语义越强，但背景保真越差；另一方面论文附录提到一些从模型输出映射到 velocity / drift 的系数在 \(t\) 太接近 1 时会数值不稳定。[1:1]
\(t_c\) 和 \(\delta\) ：一致性要求
从 prompt 的差分中可以提取编辑语义，那么修改的一致性又该如何保留呢？从差分的理解来说，如果 diffusion 网络能够准确执行分布的变换，差分 prompt 中应该自动消去不需要编辑的部分；但一来反事实查询如果太接近噪声，则会丧失原始图像的语义；二来本身 diffusion 也不能完美映射，需要多步修正。Diffusion 的非理想因素进而导致需要使用方法弥补一致性。
就如前文所说，diffusion 好比问路，每次准确度欠缺，但多次问路大致方向是正确的。换句话说，准确的场方向存在多步之中，而非一步中。 如何将原始存在多步的信息提取到一步之中？
- 通过训练和轻量网络，将多步压缩到一步中（SwiftEdit）；[8]
- Test-time，将冗余信息去除，压缩到 few-step（InfEdit）；
- Test-time，使用并行的多时间点查询，效率等效 one-step（ChordEdit）。
Chord Edit 选择在相邻的 \(\delta\) timestamp 查询两次变换场，然后取平均，进而消除单步的误差：
因为本身是并行查询，并不会类似串行 step 显著增加推理时间。从图表上，一次 timestamp 修正效果便已经足够好。论文默认 \(\delta=0.15\)：\(\delta=0\) 会退化成 naive residual，\(\delta\) 太大则会过度平滑导致 under-edit。
\(t_c\) 则是在进行第一次编辑后，在更远离噪声的时间做第二次微调加强。论文默认 full ChordEdit 是开 proximal refinement 的，也就是 Chord transport 一次 NFE，再加一次 prox refinement，总共 NFE=2。不开 prox 的版本更保守、PSNR 更高；开 prox 后 CLIP-Edited 更高，但背景保真会下降一些。这个做法的论证似乎更多来自前文，留在日后学习。
Test-time 的 diffusion 加速
本文虽然只是介绍图像编辑 one-step diffusion 的改进，对于门外汉而言，无论助于加深对 diffusion 的理解，还是 test-time 方法学习都有很大的意义。
Intra-step: 步数和步数的异质
一千个读者有一千个哈姆雷特，到底 diffusion 不同步数隐含了什么信息众说纷纭，有人说是低频到高频，有人说是从多模到单模，这篇是说语义到结构。当然这几个角度都对都自洽，diffusion 不同步确实承载着不同信息，但又很难量化，往往给出一种启发式方法。
Inter-step：稀疏步数的负面收益
由于步数不同，往往采用根据任务裁剪冗余的方法，这篇论文介绍，稀疏步数本身也会带来负面受益。一些信息不在 intra-step 之中而在 inter-step 之中。
ChordEdit 使用“能量”来评估。能量即控制场变化量的平方（2 范数），如图所示，起点 \(x_{src}\) 和目标分布之间存在一条变换路径，对每次小段路径的变化量求平方和则是能量。这里借用了 Benamou-Brenier 动态最优传输中 kinetic energy 的思想。[9]
如果确定起点和终点，那么能量最小的路径是更稳定、更不容易过冲的路径，“准”的一部分被转换成了“能量小”。但这里也要注意：低能量不是语义正确性的充分条件，\(u=0\) 能量最低但完全不编辑。因此还是需要 CLIP 看语义、PSNR/LPIPS/SSIM 看保真，energy 更多是解释一步积分是否稳定。具体的能量推导和理解我没有太看懂，这部分留给日后加深学习。
静态修正和动态修正：Test-time / Training-free 的修正思路
Test-time 相比 training 无法改变模型参数分布，要更好地发掘出模型本身有什么能力。一般有两种修正思路，静态和动态，静态指针对所有任务，都用统一的方法去做；而动态指针对不同的任务子集分配不同的资源修正。在 test-time 修正，是原始模型设计者的下有，一般认为，在设计模型时都会做参数搜索或者消融实验，给出了完成所有目标任务（静态参数）的统一最小资源，所以一般针对不同任务（动态参数）修正不同的资源更容易去做。ChordEdit 这种既属于静态修正，又属于 training-free 实属难得。 这或许需要发现前人更难以找到的概念才能做出来。
做动态修正就好比写控制流程序，包含条件表达式构建、成本控制两方面:
if condition_experssion: # 条件表达式fast_path; # 分支主体
else:full_path;
条件表达式也叫 verification ，从训练、test-time 单次推理到单次推理某个 step 、某个 layer，随着粒度越来越细，越难给出细粒度方向清晰的指标。最粗粒度的训练覆盖多个任务样本还有 label，准确率指标意义非常清晰明确，而到了细粒度，频率？一致性？困惑度？语义性？各种指标和任务成功率的关系更难分析。给出清晰明确的细粒度判断目标，某种程度上和 RL 设置 reward 十分相似，不过一个从环境给，一个根据模型内部状态/输出给，从这个角度来说，验证条件可能会比 RL reward 更加黑盒。
其次要保证动态控制整体成本比原始 full path 路径更低，假设判断的频率是 \(\alpha\) ，fast path 命中率的概率是 \(p\) ，不同的成本用符号 \(C\), 那么则有：
一般需要联合降低 \(p\) 、\(C_{fast}\) 、\(C_{cond}\) 变量使得等式成立，\(p\) 一般来自非常启发式的直觉，和任务性质本身有关难以用技术优化，此外其他成本一般的技巧有：
- Batching： 原始模型不能用 batching 的难点往往在于存在数据依赖导致输入数据不足，关键在于找到低成本生成大量无依赖并行数据的方法，比如speculative decoding 用轻量模型低成本生成大量数据[10]，ChordEdit 本身有源图像直接可以加噪构建中间态；
- Skipping： skip 好处在于不需要用训练方式构建新的模型，只需要从原始网络做裁剪，而关键在于拉出一个不质变但是量变的关系，所谓不质变，即skip之后的网络子集对于任务仍然成立，最自然的比如自回归/扩散step，本身多个步骤之间就是完全同构的，删除一部分当然成立；另一种对网络进行 skip 则要麻烦一点，网络本身就是串行连接，怎么保证 skip 之后不同层的语义信息仍然可以输出有效结果，这也相当灰盒了。这种技术最常见应用就是 token pruning 以及 caching。
https://openaccess.thecvf.com/content/CVPR2026/papers/Lu_ChordEdit_One-Step_Low-Energy_Transport_for_Image_Editing_CVPR_2026_paper.pdf ↩︎ ↩︎
https://cnshiyang.github.io/ ↩︎
https://arxiv.org/abs/2311.17042 ↩︎
https://arxiv.org/abs/2408.14176 ↩︎
https://arxiv.org/abs/2210.11427 ↩︎
https://arxiv.org/abs/2412.08629 ↩︎
https://arxiv.org/abs/2312.04965 ↩︎
https://openaccess.thecvf.com/content/CVPR2025/papers/Nguyen_SwiftEdit_Lightning_Fast_Text-Guided_Image_Editing_via_One-Step_Diffusion_CVPR_2025_paper.pdf ↩︎
https://doi.org/10.1007/PL00013653 ↩︎
https://arxiv.org/abs/2605.13778 ↩︎