AITOP

图像编辑

共 32 条相关 AI 资讯
7月8日
23:55
23:00
21:37
10:17
10:17官方账号arXiv cs.AI@Yoav Baron, Sara Dorfman, Roni Paiss, Daniel Cohen-Or, Or Patashnik
本文研究VLM在扩散图像编辑管线中作为条件编码器时的定位能力下降问题。作者提出Analysis-by-Proxy框架，训练轻量级代理模型在VLM中间表示上执行辅助定位任务。实验发现，在单次前向传递约束下，定位信号未可靠传播到预设条件层配置，而是隐藏在随输入提示变化的中间表示中。该框架揭示了现有编辑管线条件提取策略的根本失败，为设计更合理的条件架构提供了方向。
论文VLMAnalysis-by-Proxy扩散模型图像编辑条件编码器
推荐理由：这篇论文把VLM做图像编辑时定位不准的老问题挖到底了——原来不是模型不行，是提取信号的方式错了。他们用了个'代理分析'的巧招，把隐藏的定位信号给揪了出来，搞编辑管线的值得一看。
原文
01:06
7月2日
00:21
6月29日
13:49
6月26日
03:54
03:42
6月23日
14:56
07:51
07:51IT之家（博客/媒体）
科技媒体 AppleInsider 测试了 iOS 27 照片应用中的 Extend 扩图工具，该工具基于 Apple 智能分析图片内容并补全外部区域。在测试小猫窗台照片时，iOS 27 补充了窗帘、枯植物和窗户等元素，生成效果自然。而在夜景照片中，扩图生成的路桩、立杆大体合理，但路牌背面形状异常。罗马苹果商店楼梯照片中，AI 补出了更多台阶和玻璃，但现实场景其实有门。罗马机场照片中，AI 扩图甚至生成了现实中不存在的悬浮卡车。
AI产品iOS 27Apple 智能Extend工具AI扩图图像编辑
推荐理由：苹果在 iOS 27 里加了一个 AI 扩图功能，能把照片边缘补全。实测补出来的画面挺自然，但别指望它还原真实场景——有些东西是瞎编的。
原文
6月20日
10:26
6月18日
10:58
10:58官方账号arXiv cs.AI@Mukund Khanna, Raj Singh Yadav, Kunal Singh
当前指令式图像编辑模型在处理产品图片时，难以保持品牌标识和文字细节。该工作构建了包含87k SFT样本和869张产品图像的RL数据集，并提出Cyclic Consistency奖励来强制产品身份语义保持。在Qwen-Image-Edit-2511和Flux.1-Kontext-dev上微调后，模型在OCR和感知指标上取得一致提升，其中Qwen模型字符错误率降低5倍。研究还发布了ProductConsistency Benchmark用于标准化评估。
论文ProductConsistencyQwen-Image-Edit-2511Flux.1-Kontext-dev图像编辑产品身份保持
推荐理由：这篇论文搞了一个新数据集和训练方法，能让AI改产品图时更准地保留品牌和文字，Qwen的错字率降到原来的五分之一，做电商图片编辑的可以看看。
原文
6月12日
13:28
6月9日
14:52
6月4日
10:05
03:54
6月3日
09:52
08:12
04:50
04:50
03:38
6月2日
09:38
09:38官方账号arXiv cs.AI@Zhihong Liu, Siqi Kou, Zheng Li, Ye Ma, Quan Chen, Peng Jiang, Kai Yu, Zhijie Deng
ProductWebGen 是一个用于评估多模态生成模型在电商产品网页生成任务上能力的基准测试。它包含 500 个测试样本，覆盖 13 个产品类别，每个样本提供源图像、视觉内容指令和网页布局指令，要求模型生成包含多张一致图像的 HTML 网页。研究对比了两种工作流：基于图像编辑模型和语言模型的编辑式方法，以及基于统一多模态模型的端到端方法。实验表明编辑式方法在网页指令遵循和内容吸引力上领先，而统一模型在视觉内容指令执行上更有优势。团队还构建了包含 1000 组真实产品图像和 LLM 生成 HTML 代码的微调数据集 ProductWebGen-1k，并在开源模型 BAGEL 上验证了其有效性。
论文多模态生成电商/广告基准测试HTML生成图像编辑
推荐理由：电商和广告领域的开发者终于有了一个标准化的产品网页生成评测工具——ProductWebGen 帮你快速对比不同多模态模型在可控生成上的真实表现，做营销自动化或电商页面生成的团队值得关注。
原文
5月28日
23:42
5月25日
11:13
11:13官方账号arXiv cs.AI@Beichen Zhang, Yuhong Liu, Jinsong Li, Yuhang Zang, Jiaqi Wang, Dahua Lin
精选
多模态大语言模型在视觉推理上虽有进步，但纯文本思维链在处理需要精细关注或视角变换的问题时仍是瓶颈。现有“用图像思考”的方法要么受限于固定工具集，要么产生噪声中间图像。ETCHR 提出第三种方案：使用专用图像编辑模型，并将其与理解模型解耦。它通过两阶段训练（推理模仿和推理增强）解决语言侧和生成侧的差距，使编辑器能根据问题主动进行视觉变换。实验表明，ETCHR 在五个任务族上平均提升 Pass@1 约 5 个百分点，且可即插即用于多种开源和闭源多模态模型。
论文多模态推理图像编辑视觉问答推理增强ETCHR
推荐理由：做多模态推理或视觉问答的开发者，ETCHR 提供了一种无需微调即可提升模型准确率的思路，值得在现有工作流中试试。
原文
5月22日
01:38
5月21日
10:48
07:59
07:59IT之家（博客/媒体）
谷歌在 2026 I/O 大会上发布 AI 图像设计工具 Google Pics，面向 Workspace 用户，用于制作邀请函、海报等视觉内容。核心卖点是“生成图片”与“编辑设计”一体化，用户可通过文字或语音生成设计，并支持局部元素悬停修改、图片文字直接编辑，无需重新生成整张图。产品先以网页应用上线，未来将推出移动端并整合到更多 Workspace 应用。目前仅向 I/O 期间受信测试者开放，AI Pro 订阅用户今夏稍后可体验。
AI产品AI 生图图像编辑WorkspaceGoogle Pics设计工具
推荐理由：Google Pics 把 AI 生图和精细编辑整合到同一流程，解决了普通生成器无法局部修改的痛点，做海报、邀请函等视觉内容的团队可以关注，省去反复生成的麻烦。
原文
5月18日
12:05
5月13日
09:12
08:42
5月12日
19:11
19:11官方账号arXiv cs.LG@Wei Chow, Linfeng Li, Xian Sun, Lingdong Kong, Zefeng Li, Qi Xu, Hang Song, Tian Ye, Xian Wang, Jinbin Bai, Shilin Xu, Xiangtai Li, Junting Pan, Shaoteng Liu, Ran Zhou, Tianshu Yang, Songhua Liu
最近，研究者提出了一种基于掩码生成Transformer（MGT）的图像编辑新方法EditMGT，这是首个MGT编辑框架。与主流的扩散模型不同，MGT的局部化预测机制能天然将修改限制在目标区域，避免编辑结果扩散到其他部分。该方法通过多层注意力合并和区域保持采样实现精准编辑，并构建了包含200万高分辨率样本的数据集CrispEdit-2M。在多个基准测试中，EditMGT在仅96亿参数下实现了领先的图像相似度，编辑速度快了6倍。这表明MGT是扩散模型编辑的有力替代方案。
论文图像编辑掩码生成Transformer扩散模型编辑数据集局部编辑
推荐理由：这项工作为图像编辑提供了一个全新思路，其局部化编辑特性和显著速度优势可能推动实用编辑工具的开发，值得关注。
原文