¿Es Correcta Esta Edición? Un Benchmark Multidimensional para la Edición de Imágenes Consciente del Razonamiento

Resumen

La edición de imágenes basada en difusión ha logrado una alta fidelidad visual bajo instrucciones en lenguaje natural, pero la mayoría de los sistemas existentes aún operan al nivel de seguimiento superficial de instrucciones, sin razonar sobre las restricciones implícitas de contexto incrustadas en las solicitudes reales de los usuarios. Esto a menudo conduce a ediciones visualmente plausibles pero lógicamente inconsistentes. En este trabajo, presentamos RE-Edit, un punto de referencia para la edición de imágenes consciente del razonamiento que evalúa sistemas de edición de imágenes en cinco dimensiones de razonamiento complementarias: física, ambiental, cultural, causal y referencial. RE-Edit comprende 1000 muestras cuidadosamente seleccionadas, cada una diseñada de manera que la plausibilidad visual por sí sola sea insuficiente y la edición correcta requiera satisfacer restricciones lógicas implícitas. Para respaldar un análisis detallado, establecemos criterios de evaluación alineados con las dimensiones y realizamos un estudio exhaustivo de diez modelos de edición de imágenes de código abierto y dos comerciales. Nuestros resultados muestran que incluso los sistemas avanzados a menudo tienen dificultades con el razonamiento implícito multidimensional, a pesar de producir imágenes de alta calidad. Además, presentamos una línea base de post-edición guiada por razonamiento ligero como exploración inicial, ilustrando cómo la inserción de razonamiento explícito puede ayudar a mitigar dichos fallos de manera independiente del modelo.

English

Diffusion-based image editing has achieved strong visual fidelity under natural language instructions, yet most existing systems still operate at the level of surface instruction following, without reasoning about the implicit contextual constraints embedded in real user requests. This often leads to visually plausible but logically inconsistent edits. In this work, we introduce RE-Edit, a benchmark for REasoning-aware image Editing that evaluates image editing systems across five complementary reasoning dimensions: physical, environmental, cultural, causal, and referential. RE-Edit comprises 1,000 carefully curated samples, each designed such that visual plausibility alone is insufficient and correct editing requires satisfying implicit logical constraints. To support fine-grained analysis, we establish dimension-aligned evaluation criteria and conduct a comprehensive study of ten open-source and two commercial image editing models. Our results show that even advanced systems frequently struggle with implicit multi-dimensional reasoning despite producing high-quality visuals. We further present a lightweight reasoning-guided post-edit baseline as an initial exploration, illustrating how inserting explicit reasoning can help mitigate such failures in a model-agnostic manner.