论文页面 - ThinkDrag：借助视觉推理的语义拖拽式图像编辑

来源：https://huggingface.co/papers/2610.13316

摘要

拖拽式图像编辑允许用户指定控制点和目标点，为空间可控的图像操作提供了直观的界面。现有方法通过基于优化、单步和前馈的建模方式取得了显著进展，但它们往往将拖拽指令解释为几何位移。当所需的编辑依赖于理解图像内容，并根据稀疏的点约束推断合理的语义变换时，这就限制了它们的有效性。我们提出了 ThinkDrag，这是一个用于拖拽式图像编辑、具备视觉推理能力的统一多模态框架。ThinkDrag 经过训练，能够将点约束与有意义的对象级和场景级变换关联起来，还可以选择在图像生成之前输出明确的推理过程，解释预期的编辑操作。这一推理过程提升了可解释性，尤其适用于含义模糊的拖拽操作。基于对跨图像注意力的分析，我们提出了拖拽端点标记（DragEndpointMarkers），它提供明确的对应关系信号，将每次拖拽定位到图像空间中。为支持这一框架，我们构建了一个将语义拖拽变换与推理过程配对的监督数据集，并推出了 DragBench++，这是一个针对具有挑战性的拖拽式编辑场景、提供参考编辑方案的基准。实验表明，ThinkDrag 达到了当前最先进的性能，在保持具有竞争力的点跟随精度的同时，提高了生成质量与合理性。

查看 arXiv 页面 (https://arxiv.org/abs/2610.13316)查看 PDF (https://arxiv.org/pdf/2610.13316)项目页面 (https://atfortes.github.io/projects/thinkdrag/)GitHub0 (https://github.com/atfortes/ThinkDrag)添加到合集 (https://huggingface.co/login?next=%2Fpapers%2F2610.13316)

引用此论文的模型0

没有链接到此论文的模型

在模型的 README.md 中引用 arxiv.org/abs/2610.13316，即可从本页面链接到该模型。

引用此论文的数据集0

没有链接到此论文的数据集

在数据集的 README.md 中引用 arxiv.org/abs/2610.13316，即可从本页面链接到该数据集。

引用此论文的 Spaces0

没有链接到此论文的 Space

在 Space 的 README.md 中引用 arxiv.org/abs/2610.13316，即可从本页面链接到该 Space。

包含此论文的合集0

没有包含此论文的合集

将此论文添加到合集 (https://huggingface.co/new-collection)，即可从本页面链接到该合集。