EditThinker: Iteratives Denken für jeden Bildeditor freischalten
EditThinker: Unlocking Iterative Reasoning for Any Image Editor
December 5, 2025
papers.authors: Hongyu Li, Manyuan Zhang, Dian Zheng, Ziyu Guo, Yimeng Jia, Kaituo Feng, Hao Yu, Yexin Liu, Yan Feng, Peng Pei, Xunliang Cai, Linjiang Huang, Hongsheng Li, Si Liu
cs.AI
papers.abstract
Instruktionsbasierte Bildbearbeitung hat sich als bedeutendes Forschungsfeld etabliert. Dank der Fortschritte bei generativen Basismodellen für Bilder wurden bereits hohe ästhetische Qualitäten erreicht, wodurch die Fähigkeit, Anweisungen zu befolgen, zur primären Herausforderung geworden ist. Bestehende Ansätze verbessern die Anweisungstreue durch überwachtes oder bestärkendes Lernen, doch die Erfolgsquote bei einzelnen Bearbeitungsschritten bleibt aufgrund inhärenter Stochastik und mangelnder Deliberation begrenzt. In dieser Arbeit schlagen wir ein deliberatives Bearbeitungsframework vor, das 'denkt', während es bearbeitet. Dieses simuliert die menschliche kognitive Schleife, indem es iterativ einen Denk-während-Bearbeiten-Zyklus ausführt: Ergebnisse kritisieren und Anweisungen verfeinern, gefolgt von einer Wiederholung der Generierung, bis das Ergebnis zufriedenstellend ist. Konkret trainieren wir ein einziges MLLM, EditThinker, das als Reasoning-Engine dieses Frameworks agiert und gemeinsam die Kritikpunktzahl, den Denkprozess und die verfeinerten Anweisungen erzeugt. Wir setzen bestärkendes Lernen ein, um das Denken des EditThinker mit seiner Bearbeitung in Einklang zu bringen und so zielgerichtetere Verbesserungen der Anweisungen zu generieren. Umfangreiche Experimente auf vier Benchmarks zeigen, dass unser Ansatz die Anweisungstreue beliebiger Bildbearbeitungsmodelle signifikant und mit großem Abstand verbessert. Wir werden unser Framework zur Datenerstellung, die Datensätze und die Modelle veröffentlichen, um der Gemeinschaft zugutekommen.
English
Instruction-based image editing has emerged as a prominent research area, which, benefiting from image generation foundation models, have achieved high aesthetic quality, making instruction-following capability the primary challenge. Existing approaches improve instruction adherence via supervised or reinforcement learning, yet single-turn success rates remain limited due to inherent stochasticity and a lack of deliberation. In this work, we propose a deliberative editing framework to 'think' while they edit, which simulates the human cognitive loop by iteratively executing a Think-while-Edit cycle: Critiquing results and Refining instructions , followed by Repeating the generation until satisfactory. Specifically, we train a single MLLM, EditThinker, to act as the reasoning engine of this framework, which jointly produce the critique score, reasoning process, and refined instructions. We employ reinforcement learning to align the EditThinker's thinking with its editing, thereby generating more targeted instruction improvements. Extensive experiments on four benchmarks demonstrate that our approach significantly improves the instruction-following capability of any image editing model by a large margin. We will release our data construction framework, datasets, and models to benefit the community.