ICEdit: Transformez Vos Images Facilement avec l'Édition Contextuelle Basée sur l'IA (et Moins de Données!)

Fatigué des outils d'édition d'image complexes et gourmands en ressources ? Découvrez ICEdit, une nouvelle approche révolutionnaire pour l'édition d'images basée sur des instructions, qui utilise une fraction des données d'entraînement et des paramètres des méthodes traditionnelles. Obtenez des résultats impressionnants et précis, rapidement et à moindre coût.

Pourquoi ICEdit Révolutionne l'Édition d'Image?

• Édition précise et multiforme : Transformez vos images en plusieurs étapes avec une grande précision.
• Résultats visuellement saisissants : Obtenez des modifications impressionnantes avec une seule instruction, ouvrant un monde de possibilités créatives.
• Efficacité inégalée : ICEdit utilise seulement 0,5% des données d'entraînement et 1% des paramètres des modèles SOTA (State-of-the-Art) précédents.
• Rapidité et économie : Traitement rapide (environ 9 secondes par image) et coûts réduits par rapport aux solutions commerciales.
• Source ouverte : Bénéficiez d'une transparence et d'une flexibilité accrues par rapport aux modèles propriétaires.

Installation Facile: Préparez-Vous à Éditer en Quelques Minutes

Suivez ces étapes simples pour mettre en place votre environnement ICEdit:

1. Créez un environnement Conda :

   conda create -n icedit python=3.10
   conda activate icedit
   

   Copy
2. Installez les dépendances :

   pip install -r requirements.txt
   pip install -U huggingface_hub
   

   Copy
3. Téléchargez les poids pré-entraînés : (si vous ne pouvez pas vous connecter à Huggingface)
   • Flux.1-fill-dev
   • ICEdit-MoE-LoRA

Lancez l'Inférence et Découvrez la Magie d'ICEdit

L'inférence peut être lancée en ligne de commande (sans mise à l'échelle VLM). N'oubliez pas que le modèle actuel est optimisé pour les images d'une largeur de 512 pixels.

python scripts/inference.py --image assets/girl.png \
--instruction " Make her hair dark green and her clothes checked. " \
--seed 42

Pour les systèmes avec une mémoire GPU limitée (par exemple, 24 Go), activez le déchargement du modèle sur le CPU:

python scripts/inference.py --image assets/girl.png \
--instruction " Make her hair dark green and her clothes checked. " \
--enable-model-cpu-offload

Utilisez le Démo Gradio pour une Expérience Intuitive

Profitez d'une interface utilisateur conviviale avec le démo Gradio.

1. Lancez le démo :

   python scripts/gradio_demo.py --port 7860
   

   Copy
2. Options supplémentaires :
   • Déchargement CPU : --enable-model-cpu-offload
   • Chemins vers les poids pré-entraînés : --flux-path et --lora-path

Ouvrez le lien fourni dans votre navigateur et laissez libre cours à votre créativité!

ICEdit vs. Géants Commerciaux: Pourquoi Choisir l'Open Source?

ICEdit se mesure aux modèles commerciaux tels que Gemini et GPT-4o, offrant une préservation de l'identité des personnages et un suivi des instructions comparables, voire supérieurs. ICEdit brille par :

• L'aspect open source, synonyme de contrôle et de transparence.
• Des coûts réduits de mise en œuvre et d'utilisation.
• Une vitesse de traitement rapide.
• Une performance puissante.

Important : Si les résultats ne sont pas ceux attendus, essayez de modifier le paramètre --seed. L'utilisation du "Inference-time Scaling with VLM" peut également améliorer considérablement les résultats.

Citez ICEdit dans Vos Recherches

Si ICEdit a contribué à votre travail, merci de citer cet article :

@misc{zhang2025ICEdit,
 title={In-Context Edit: Enabling Instructional Image Editing with In-Context Generation in Large Scale Diffusion Transformer},
 author={Zechuan Zhang and Ji Xie and Yu Lu and Zongxin Yang and Yi Yang},
 year={2025},
 eprint={2504.20690},
 archivePrefix={arXiv},
 primaryClass={cs.CV},
 url={https://arxiv.org/abs/2504.20690},
}