CanvasAgent: ビジュアルツールのオーケストレーションによる複雑な画像作成と編集の実現

要旨

複雑な画像生成や編集には、単一の生成モデルや編集モデルだけでは不十分なことが多い。ユーザーの要求には、画像の合成、オブジェクトの位置特定、領域のセグメンテーション、選択したコンテンツの編集、中間アセットの合成、テキストの読み取り、最終結果の強調といった作業が含まれる可能性がある。このようなタスクは、マルチモーダルエージェントを、認識を強化した推論から、操作を中心とした視覚的な創造へとシフトさせる。そこでは、ツールは単に調査するだけでなく、視覚的な状態を積極的に変換しなければならない。しかし、既存のマルチモーダルツール利用エージェントは、主に認識、検索、または特定領域の編集に最適化されており、実行可能な画像生成軌道に対する大規模な教師データが不足している。本稿では、複雑な画像生成と編集のための大規模マルチモーダルツール利用データセットであるCanvasCraftと、多様な視覚ツールをマルチターン対話を通じて統合的に調整することを学習するツール拡張型マルチモーダルエージェントであるCanvasAgentを紹介する。CanvasCraftは、完全にアノテーションされた14万件の実行可能な軌道と1万件の強化学習タスク仕様を含む。CanvasAgentは、まずSFTを用いて実行可能な推論行動軌道を学習し、その後、結果レベルとプロセスレベルの信号を組み合わせたハイブリッド報酬を用いたGRPOにより最適化される。ロールアウト中、CanvasAgentは中間結果を検査し、視覚アセットを追跡し、進化する視覚状態に応じてツールの決定を適応させる。実験では、最終的な画像品質と軌道行動の両方を評価し、複雑なマルチツール画像生成ワークフローにおけるCanvasAgentと提案データセットの有効性を実証する。

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.