MTEdit：打包轨迹优于逐步回滚的多轮图像编辑

Hugging Face Daily Papers 论文
multi-turn-image-editing dataset benchmark visual-drift image-generation fine-tuning

摘要

MTEdit 引入了一个 500K 规模的多轮图像编辑数据集，通过打包轨迹画布生成来减少视觉漂移，并提出 MTEdit-Bench 基准；实验表明微调 Qwen-Image-Edit-Causal 可获得最佳的开源多轮图像编辑性能。

多轮图像编辑旨在根据一系列指令逐步修改图像，相比单轮编辑更契合人机协作创作的模式。然而，构建高质量的多轮训练数据仍然充满挑战，因为传统的顺序回滚方式会累积误差，并在各编辑轮次间引入视觉质量漂移。为应对这一挑战，我们提出 MTEdit，一个以打包轨迹画布（packed trajectory canvas, PTC）生成为核心的流水线构建的多轮图像编辑数据集。该流水线在统一的视觉上下文中联合生成多个编辑状态，从而减少跨轮次的视觉质量漂移。MTEdit 涵盖逐步骤编辑与上下文感知编辑两种场景，包含 500K 条多轮图像编辑轨迹，每条轨迹最多 8 轮、平均 5.38 轮，是规模最大的多轮图像编辑数据集之一。我们进一步提出 MTEdit-Bench，一个旨在评估上述两种场景的基准，通过考察模型遵循编辑指令、保持内容一致性、抵抗视觉质量漂移以及跨轮次有效利用历史上下文的能力来进行评测。我们使用 MTEdit 对 Qwen-Image-Edit-Causal 进行微调，得到 Qwen-Image-MTEdit。在 MTEdit-Bench 上，我们评测了包括 Qwen-Image-MTEdit 在内的广泛闭源与开源图像编辑模型。实验结果表明，Qwen-Image-MTEdit 在所有被评测的开源模型中取得了最佳性能，充分证明了 MTEdit 在提升模型多轮图像编辑能力方面的有效性。
查看原文
查看缓存全文

缓存时间: 2026/10/19 11:28

论文页面 - MTEdit：打包轨迹在多轮图像编辑中优于逐步展开

来源：https://huggingface.co/papers/2610.23751

摘要

MTEdit 是一个大规模多轮图像编辑数据集，采用打包轨迹画布（packed trajectory canvas）生成方式来减少视觉漂移，从而构建出更优的多轮图像编辑模型，并在 MTEdit-Bench 上进行了评估。

多轮图像编辑（https://huggingface.co/papers?q=Multi-turn%20image%20editing）旨在根据一系列指令对图像进行修改，相比单轮编辑，更契合人机协同创作的需求。然而，构建高质量的多轮训练数据仍然充满挑战，因为传统的顺序展开（rollout）方式会累积误差，并在编辑各轮之间引入视觉质量漂移（https://huggingface.co/papers?q=visual-quality%20drift）。为应对这一挑战，我们提出了 MTEdit（https://huggingface.co/papers?q=MTEdit），这是一个多轮图像编辑（https://huggingface.co/papers?q=multi-turn%20image%20editing）数据集，其构建流程以打包轨迹画布（https://huggingface.co/papers?q=packed%20trajectory%20canvas）（PTC）生成为核心。通过在统一的视觉上下文中联合生成多个编辑状态，该流程有效降低了各轮之间的视觉质量漂移（https://huggingface.co/papers?q=visual-quality%20drift）。MTEdit（https://huggingface.co/papers?q=MTEdit）涵盖逐步编辑和上下文感知编辑两种场景，包含 50 万条多轮图像编辑（https://huggingface.co/papers?q=multi-turn%20image%20editing）轨迹，每条轨迹最多 8 轮、平均 5.38 轮，是规模最大的多轮图像编辑（https://huggingface.co/papers?q=multi-turn%20image%20editing）数据集之一。我们进一步提出了 MTEdit-Bench（https://huggingface.co/papers?q=MTEdit-Bench），这是一个基准测试，通过评估模型遵循编辑指令、保持内容一致性、抵抗视觉质量漂移（https://huggingface.co/papers?q=visual-quality%20drift）以及跨轮次有效利用历史上下文的能力，来对上述两种场景进行评测。我们使用 MTEdit（https://huggingface.co/papers?q=MTEdit）对 Qwen-Image-Edit-Causal（https://huggingface.co/papers?q=Qwen-Image-Edit-Causal）进行微调，得到 Qwen-Image-MTEdit（https://huggingface.co/papers?q=Qwen-Image-MTEdit）。在 MTEdit-Bench（https://huggingface.co/papers?q=MTEdit-Bench）上，我们评测了广泛的闭源和开源图像编辑模型，其中包括 Qwen-Image-MTEdit（https://huggingface.co/papers?q=Qwen-Image-MTEdit）。实验结果表明，Qwen-Image-MTEdit（https://huggingface.co/papers?q=Qwen-Image-MTEdit）在所评测的开源模型中取得了最佳性能，证明了 MTEdit（https://huggingface.co/papers?q=MTEdit）在提升模型多轮图像编辑（https://huggingface.co/papers?q=multi-turn%20image%20editing）能力方面的有效性。

查看 arXiv 页面 查看 PDF 添加到收藏

在你的 agent 中获取此论文：

hf papers read 2610.23751

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

引用此论文的模型 0

没有模型关联此论文。

在模型的 README.md 中引用 arxiv.org/abs/2610.23751，即可从此页面链接到该模型。

引用此论文的数据集 0

没有数据集关联此论文。

在数据集的 README.md 中引用 arxiv.org/abs/2610.23751，即可从此页面链接到该数据集。

引用此论文的 Spaces 0

没有 Space 关联此论文。

在 Space 的 README.md 中引用 arxiv.org/abs/2610.23751，即可从此页面链接到该 Space。

包含此论文的收藏 0

没有收藏包含此论文。

将此论文添加到收藏，即可从此页面链接到它。

相似文章

多轮图像编辑的在线自蒸馏

Hugging Face Daily Papers

本文提出MT-OPSD，一个非策略自蒸馏框架，以解决多轮图像编辑中的退化问题，并引入LME-Bench用于评估长期鲁棒性。

文本-视觉协同指导的图像编辑

Hugging Face Daily Papers

一种名为TV-Edit的新框架，结合文本指令和视觉提示实现精确图像编辑，并附带基准TV-Edit-Bench用于评估。该方法在空间控制和语义忠实度上优于现有方法。