EditThinker: Desbloqueando el Razonamiento Iterativo para Cualquier Editor de Imágenes
EditThinker: Unlocking Iterative Reasoning for Any Image Editor
December 5, 2025
Autores: 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
Resumen
La edición de imágenes basada en instrucciones ha surgido como un área de investigación prominente que, beneficiándose de los modelos base de generación de imágenes, ha logrado una alta calidad estética, haciendo de la capacidad de seguimiento de instrucciones el principal desafío. Los enfoques existentes mejoran la adherencia a las instrucciones mediante aprendizaje supervisado o por refuerzo, aunque las tasas de éxito en interacciones únicas siguen siendo limitadas debido a la estocasticidad inherente y a la falta de deliberación. En este trabajo, proponemos un marco de edición deliberativa para "pensar" durante la edición, que simula el bucle cognitivo humano mediante la ejecución iterativa de un ciclo Pensar-mientras-Se-Edita: Criticar resultados y Refinar instrucciones, seguido de Repetir la generación hasta lograr un resultado satisfactorio. Específicamente, entrenamos un único MLLM, EditThinker, para actuar como motor de razonamiento de este marco, produciendo conjuntamente la puntuación de crítica, el proceso de razonamiento y las instrucciones refinadas. Empleamos aprendizaje por refuerzo para alinear el pensamiento de EditThinker con su edición, generando así mejoras de instrucciones más dirigidas. Experimentos exhaustivos en cuatro benchmarks demuestran que nuestro enfoque mejora significativamente la capacidad de seguimiento de instrucciones de cualquier modelo de edición de imágenes por un amplio margen. Liberaremos nuestro marco de construcción de datos, conjuntos de datos y modelos para beneficiar a la comunidad.
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.