论文页面 - ACEdit：通过非对称条件化的稳定多轮图像编辑

来源：https://huggingface.co/papers/2610.22328

摘要

通过教师蒸馏与非对称条件化的 Self-Forcing 训练，可稳定多轮图像编辑，抵御累积的分布偏移。

图像编辑模型在单次编辑上能产生令人惊艳的结果，但其质量往往在多轮编辑过程中逐渐下降。每一次编辑都会引入微小的分布偏移（https://huggingface.co/papers?q=distribution%20shift），这些偏移在连续编辑中不断累积，导致编辑器原始训练时遇到的输入分布与多轮推理时的输入分布之间产生差距。我们提出了一种训练方案，使多轮图像编辑（https://huggingface.co/papers?q=multi-turn%20image%20editing）在累积的分布偏移（https://huggingface.co/papers?q=distribution%20shift）下依然保持稳定。其关键在于训练期间迫使编辑器在自身上一轮编辑输出的基础上进行操作，将 Self-Forcing（https://huggingface.co/papers?q=Self-Forcing）的原理引入图像编辑。主要挑战在于，自生成的编辑轨迹会偏离真实轨迹，使直接监督变得不可靠。我们通过一个蒸馏目标（https://huggingface.co/papers?q=distillation%20objective）来应对这一挑战——当模型基于自身先前的输出进行操作时，借助教师图像编辑器提供可靠的训练信号。我们提出了一种非对称条件化（https://huggingface.co/papers?q=asymmetric%20conditioning）方案：学生模型在自身输出上顺序执行编辑，而教师模型始终锚定于原始干净图像，并接收组合后的编辑指令。实验表明，该方法在长多轮序列中显著降低了质量退化，同时保持了编辑质量和指令遵循能力。

查看 arXiv 页面 (https://arxiv.org/abs/2610.22328)　查看 PDF (https://arxiv.org/pdf/2610.22328)　项目主页 (https://saradorfman1.github.io/ACEdit/)　添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2610.22328)

在你的 agent 中获取这篇论文：

hf papers read 2610\.22328

没有最新版 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本文的模型 0

没有模型关联本文

在模型的 README.md 中引用 arxiv.org/abs/2610.22328 即可从本页面链接该模型。

引用本文的数据集 0

没有数据集关联本文

在数据集的 README.md 中引用 arxiv.org/abs/2610.22328 即可从本页面链接该数据集。

引用本文的 Spaces 0

没有 Space 关联本文

在 Space 的 README.md 中引用 arxiv.org/abs/2610.22328 即可从本页面链接该 Space。

包含本文的收藏夹 0

没有收藏夹包含本文

将本文添加到收藏夹 (https://huggingface.co/new-collection)即可从本页面链接。