CanvasAgent: Komplexe Bilderstellung und -bearbeitung mittels visueller Werkzeugorchestrierung

Zusammenfassung

Die komplexe Bildgenerierung und -bearbeitung erfordert oft mehr als ein einzelnes Generierungs- oder Bearbeitungsmodell. Eine Benutzeranfrage kann das Synthetisieren von Bildern, das Lokalisieren von Objekten, das Segmentieren von Regionen, das Bearbeiten ausgewählter Inhalte, das Compositing von Zwischenergebnissen, das Lesen von Text und die Verbesserung des Endergebnisses umfassen. Solche Aufgaben verlagern multimodale Agenten von wahrnehmungsgestütztem Denken hin zu manipulationszentrierter visueller Erstellung, bei der Werkzeuge aktiv visuelle Zustände verändern müssen, anstatt sie nur zu inspizieren. Allerdings sind bestehende multimodale Tool-Use-Agenten meist für Wahrnehmung, Suche oder domänenspezifische Bearbeitung optimiert und es fehlt ihnen an großflächiger Überwachung für ausführbare Bildgenerierungsverläufe. In dieser Arbeit stellen wir CanvasCraft vor, einen großflächigen multimodalen Tool-Use-Datensatz für komplexe Bildgenerierung und -bearbeitung, sowie CanvasAgent, einen werkzeuggestützten multimodalen Agenten, der lernt, heterogene visuelle Werkzeuge durch mehrstufige Interaktion zu orchestrieren. CanvasCraft enthält 140.000 vollständig annotierte ausführbare Verläufe und 10.000 RL-Aufgabenspezifikationen. CanvasAgent wird zunächst mit SFT trainiert, um ausführbare Reasoning-Action-Verläufe zu lernen, und dann mit GRPO unter Verwendung einer hybriden Belohnung optimiert, die Outcome- und Prozess-Level-Signale kombiniert. Während des Rollouts inspiziert CanvasAgent Zwischenergebnisse, verfolgt visuelle Assets und passt Werkzeugentscheidungen an den sich entwickelnden visuellen Zustand an. Experimente bewerten sowohl die endgültige Bildqualität als auch das Verhalten der Verläufe und demonstrieren die Wirksamkeit von CanvasAgent und des vorgeschlagenen Datensatzes für komplexe Multi-Tool-Bildgenerierungs-Workflows.

English

Complex image creation and editing often require more than a single generation or editing model. A user request may involve synthesizing images, localizing objects, segmenting regions, editing selected content, compositing intermediate assets, reading text, and enhancing the final result. Such tasks shift multimodal agents from perception-augmented reasoning to manipulation-centered visual creation, where tools must actively transform visual states rather than merely inspect them. However, existing multimodal tool-use agents are mostly optimized for perception, search, or domain-specific editing, and lack large-scale supervision for executable image-creation trajectories. In this paper, we introduce CanvasCraft, a large-scale multimodal tool-use dataset for complex image creation and editing, and CanvasAgent, a tool-augmented multimodal agent that learns to orchestrate heterogeneous visual tools through multi-turn interaction. CanvasCraft contains 140K fully annotated executable trajectories and 10K RL task specifications. CanvasAgent is first trained with SFT to learn executable reasoning-action trajectories, and is then optimized with GRPO using a hybrid reward that combines outcome- and process-level signals. During rollout, CanvasAgent inspects intermediate results, tracks visual assets, and adapts tool decisions to the evolving visual state. Experiments evaluate both final image quality and trajectory behavior, demonstrating the effectiveness of CanvasAgent and the proposed dataset for complex multi-tool image creation workflows.