GoodDrag: Towards Good Practices for Drag Editing with Diffusion Models

本文介绍了GoodDrag，一种改善拖拽编辑稳定性和图像质量的新方法。与现有方法不同，GoodDrag引入了AlDD框架，在扩散过程中交替进行拖拽和去噪操作，有效提高了结果的保真度。我们还提出了一种信息保留的运动监督操作，以保持起始点的原始特征，以实现精确操作和减少伪影。此外，我们通过引入新的数据集Drag100并利用大型多模型开发专用的质量评估指标Dragging Accuracy Index和Gemini Score，为拖拽编辑的基准测试做出了贡献。广泛的实验表明，所提出的GoodDrag在质量和数量上都比现有技术更好。项目页面为https://gooddrag.github.io。

论文旨在改善拖动编辑的稳定性和图像质量，避免现有方法中的畸变和累积扰动问题。

GoodDrag提出了一种交替使用拖动和去噪操作的AlDD框架，以有效提高结果的保真度。此外，论文还引入了信息保留的运动监督操作，以维护起始点的原始特征，实现精确操作和减少伪影。

论文提出了一个新的数据集Drag100，并开发了Dragging Accuracy Index和Gemini Score等质量评估指标，使用大型多模型进行评估。实验结果表明，GoodDrag在质量和效果上都优于当前领域的其他方法。

在这个领域中，最近的相关研究包括：Deep Image Prior, Neural Style Transfer, Fast Style Transfer等。