论文页面 - 通过概念缩放与密集监督释放图像编辑潜力

来源：https://huggingface.co/papers/2608.16812

摘要

通过细粒度概念、大规模配对数据与精细化评估，层级分类体系与密集监督策略可提升基于扩散的图像编辑效果。

现有图像编辑框架大多遵循文本到图像扩散模型（https://huggingface.co/papers?q=text-to-image%20diffusion%20models）的训练范式。然而将该范式拓展至图像编辑领域时，暴露出两个固有差异：一是对编辑概念粒度（https://huggingface.co/papers?q=edit%20concept%20granularity）关注不足，二是稀疏监督信号（https://huggingface.co/papers?q=sparse%20supervision%20signals）导致的训练效率低下。为解决这些问题，我们构建了包含1000余细粒度编辑概念的全面层级分类体系（https://huggingface.co/papers?q=hierarchical%20taxonomy），并通过改进的合成框架创建了包含1200万组高质量编辑对的海量数据集ConceptEdit-12M（https://huggingface.co/papers?q=ConceptEdit-12M）。这种库驱动方法有效纠正了生成数据的分布坍缩问题，同时确保高数据保真度。此外，我们提出密集监督训练策略（https://huggingface.co/papers?q=dense%20supervision%20training%20strategy），可将多个互不干扰的概念（https://huggingface.co/papers?q=non-interfering%20concepts）合成为单个图像对。该策略通过提供更丰富的学习信号，显著提升了训练效率与整体模型性能。训练结果验证了我们策略的有效性，性能显著优于现有研究。最后，我们推出ConceptEdit-Bench（https://huggingface.co/papers?q=ConceptEdit-Bench）——一套精细化评估体系，可用于诊断模型在大量真实场景中的能力表现。

查看arXiv页面 (https://arxiv.org/abs/2608.16812) 查看PDF (https://arxiv.org/pdf/2608.16812) GitHub5 (https://github.com/inclusionAI/ConceptEdit) 添加至收藏 (https://huggingface.co/login?next=%2Fpapers%2F2608.16812)

在您的智能助手中获取本文：

hf papers read 2608\.16812

尚未安装最新CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本文的模型0

无关联模型

在模型README.md中引用arxiv.org/abs/2608.16812，即可从本页面建立链接。

引用本文的数据集2

inclusionAI/ConceptEdit-12M 约3小时前更新 • 178 • 2 (https://huggingface.co/datasets/inclusionAI/ConceptEdit-12M)

inclusionAI/ConceptEdit-Bench 预览• 约20小时前更新 • 1 (https://huggingface.co/datasets/inclusionAI/ConceptEdit-Bench)

引用本文的Space0

无关联Space

在Space README.md中引用arxiv.org/abs/2608.16812，即可从本页面建立链接。

包含本文的合集0

无包含本文的合集

将本文添加至合集 (https://huggingface.co/new-collection) 即可从本页面建立链接。