一句话结论
AIDI 将每个 DDIM inversion step 改写为隐式 backward-Euler 定点问题，以 Anderson 或固定两步混合加速求解，再用 attention-derived soft mask 混合高/低 CFG 做 PTP 编辑；它在 SD v1.4 的 10/20-step regime 显著改善重建和 AFHQ dog→cat trade-off，但不是 exact inversion、不是 personalization，也没有区域或身份保持保证。
问题定义
真实图像要进入 deterministic diffusion editing，必须得到能沿同一 sampler path 重建的 $z_T$。普通 DDIM inversion 的显式 Euler 近似在低步数和高 CFG 时积累误差；NTI 需要每 timestep 反向优化 null embedding，EDICT 双轨每步调用两次 denoiser。本文试图以数值求解器改造取得更好的精度—成本折中。
方法概述
- 真实主干：Stable Diffusion v1.4 latent diffusion，cross-attention 卷积 U-Net；VAE/CLIP/U-Net 全冻结，无 DiT。
- AIDI-A：令 $z_t=f(z_t)$，对残差 $g(z)=f(z)-z$ 做 Anderson acceleration。
- AIDI-E：固定最近两次估计权重为 $(0.5,0.5)$，免去系数优化；主编辑实验使用该版本。
- 计算口径：10/20/50 个 diffusion steps 分别在每个 inversion step 内做 11/6/5 次 fixed-point updates，所以“10 步”不等于 10 次 U-Net 调用。
- Blended guidance：source path 以低 CFG 重建；从 anchor token cross-attention 得到软 mask，编辑区域 CFG 最高约 7、其他区域接近 1。
- 随机补救：可在软 mask 内以小噪声重复采样并按 FID/LPIPS 选 best-of-$n$。
成本、数据与指标
- COCO 5,000 图重建；AFHQ dog→cat 编辑；单 A100。
- 无训练或 per-image parameter optimization，但 inversion 有多次 denoiser forward；AIDI-A 另有小型最小二乘。
- 论文图报告相对 latency，未给可复核秒数：编辑与 PTP/NTI 同量级，inversion 比普通 PTP 慢。
- 重建用 SSIM/LPIPS；20-step LPIPS 从 baseline 0.148 降至 0.063。
- AFHQ 用输入 LPIPS 与相对 cat training set 的 FID；论文称 20-step AIDI 优于 50-step EDICT，10-step 仍稳，但完整逐方法数值仅在图中，正文无方差/CI。
- 无人评，也没有 mask 外误差、身份指标或编辑成功率。
消融与关键发现
- AIDI-A reconstruction 最强；AIDI-E 少量细节略差但成本较低，作为默认。
- CFG 增大仍会降低 inversion accuracy，说明 fixed-point solver 没有消除 guidance mismatch。
- PTP 改成无 guidance inversion 后已明显改善，AIDI 的收益应在这一强 baseline 上判断。
- 低步数下 PTP/NTI/EDICT 更容易出现结构伪影，AIDI 对 10/20 steps 更鲁棒。
- 随机编辑单次会加大 LPIPS；best-of-$n$ 选择才改善 FID/LPIPS，成本随 $n$ 增长。
编辑保持边界
- 支持对象/背景替换、姿态/表情变化、风格迁移；一次 inversion 后可尝试多个 target prompts。
- 不要求用户 mask，但必须给 source/target prompt，并选择正/负 anchor token。
- soft attention mask 不是硬区域约束：绿色可渗入城堡，局部会出现口部线条伪影。
- near-exact 只限低 CFG 下 sampler reconstruction，并受 VAE 下限影响；编辑后没有像素、身份或背景严格保持。
- 定量编辑主要是 AFHQ dog→cat，不能外推到开放域复杂编辑。
相关页面
- 图像编辑
- 扩散模型
- EDICT：双轨 exact sampler inversion，固定约 2× denoiser。
- Null-text Inversion：每 timestep 优化 unconditional embedding。
- Prompt Tuning Inversion：优化 conditional embedding trajectory，而非改 sampler solver。
归属边界
本文只支持 Stable Diffusion U-Net 上的 fixed-point inversion + attention-guided CFG editing。它没有研究统一生成—编辑架构、data-vs-architecture、subject personalization 或 DiT，因此已移除旧的 unified-model entity/question 误关联。
证据评估
B+：5,000 图重建、数值机制和低步数实验较扎实；编辑数值/延迟主要在图中，缺方差、人评和严格保持评价，且只验证 SD v1.4 与窄 AFHQ 任务。