一句话结论
DiffEditor 证明，在固定 SD 1.5/DragonDiffusion 家族中，图像提示、区域随机采样、梯度作用域与确定性 time travel 能继续提高点拖拽等细粒度编辑；但它是依赖 mask/点/参考图和迭代 guidance 的专用流水线，不能证明架构胜过数据或统一模型已失去优势。
论文定位
这是一篇细粒度交互式图像编辑论文，覆盖 content dragging、对象移动/缩放、对象粘贴和外观替换。它不是“图像 + 自然语言指令”的通用编辑器：精确控制来自编辑 mask、点、参考图以及源图/参考图 inversion 的 memory bank。
问题定义
DragDiffusion/DragonDiffusion 的确定性 ODE 采样和视觉一致性约束有利于守住原图，却会抑制编辑区补画新内容；全局 score guidance 又可能污染未编辑区域。论文试图把随机性和编辑梯度局部化，在灵活性、几何精度和背景保持之间取得更好的平衡（PDF pp.1–2、4–5）。
方法概述
- 冻结 SD 与 CLIP image encoder，用 8 层 Q-Former、64 个 learnable queries 把 257 个图像 tokens 压到 64 个细节条件 tokens；仅训练线性层和 Q-Former。
- 沿用 DragonDiffusion 的 DDIM inversion 与 feature memory bank。
- regional SDE 只在编辑区/指定时间引入随机性；regional score guidance 让编辑区使用 $E_{edit}$、背景使用 $E_{content}$。
- accurate time travel 通过确定性 DDIM inversion 回滚并重复 guidance，避免随机回滚损害内容一致性。
- 图像提示模块在 LAION、512×512、4×A100 上训练 1,000,000 steps；所以系统并非纯 training-free（PDF pp.4–6）。
核心实验与结果
人脸点拖拽
CelebA-HQ training split 800 张 aligned faces（PDF p.6，Table 1）：
| 方法 | 17点 MSE↓ | 68点 MSE↓ | FID 17/68↓ | 准备/推理 |
|---|---|---|---|---|
| DragDiffusion | 22.95 | 17.32 | 38.06/36.55 | 42.37s/19.52s |
| DragonDiffusion | 18.51 | 13.94 | 35.75/34.58 | 3.53s/15.00s |
| DiffEditor | 17.05 | 11.52 | 33.10/33.02 | 3.53s/13.88s |
其他任务
每项仅 16 例的 CLIP 相似度（PDF p.7，Table 2）：pasting 0.274、moving 0.288、replacing 0.281，均高于所列任务基线。由于样本少且 CLIP 不直接测局部几何/背景保持，这些结果只能视为有限支持。
关键消融
- image prompt 改善 DDIM 重建与纹理一致性（Fig.10）；
- regional gradient 避免编辑梯度扭曲无关背景（Fig.11）；
- accurate time travel 比无回滚或随机回滚更稳（Fig.12）；
- 这些大多是定性消融，缺少完整数值 factorial ablation，不能精确分离每一组件的独立贡献。
局限或疑问
- 大角度旋转等需要 3D 感知/大量补画的任务仍失败；作者明确归因于 SD 的单体 3D 先验不足（PDF p.8）。
- 图像提示编码器与具体 SD checkpoint 绑定；SDXL guidance 成本高。
- 主评估集中于人脸训练集和极小规模对象编辑样本；缺少标准真实图编辑 benchmark、用户研究和置信区间。
- 新模块同时改变训练、条件和采样，不能据此做“架构 > 数据”的因果结论。
对当前 Wiki 判断的影响
数据还是架构
直接但有限支持架构/采样接口的重要性。 在强预训练底座上，局部随机性、梯度 mask 和 time travel 能带来可见增益；但图像提示仍依赖 LAION 百万步训练。因此更准确的结论是：数据提供生成先验，专用结构决定先验能否被局部、精确地兑现。
统一还是专用/模块化
这是专用路线的压力测试：精确编辑仍受益于 mask、点、参考图和 iterative guidance。论文没有与统一生成—编辑模型做同预算对照，不能推出统一模型总体失利；它只说明统一接口未必自动覆盖强局部控制。