이 편집이 올바른가? 추론 인식 이미지 편집을 위한 다차원 벤치마크

초록

확산 기반 이미지 편집 기술은 자연어 명령어 하에서 높은 시각적 충실도를 달성했지만, 대부분의 기존 시스템은 표면적 명령 수행 수준에 머물러 실제 사용자 요청에 내재된 암묵적 맥락 제약 조건에 대한 추론을 수행하지 못한다. 이는 시각적으로는 그럴듯하지만 논리적으로는 일관성이 부족한 편집 결과를 초래한다. 본 연구에서는 이미지 편집 시스템을 물리적, 환경적, 문화적, 인과적, 참조적 추론의 다섯 가지 상호 보완적 차원에서 평가하는 추론 인식 이미지 편집 벤치마크인 RE-Edit을 제안한다. RE-Edit은 1,000개의 정교하게 선별된 샘플로 구성되며, 각 샘플은 시각적 그럴듯함만으로는 부족하고 올바른 편집을 위해 암묵적 논리 제약을 충족해야 하도록 설계되었다. 세부 분석을 지원하기 위해 차원별 평가 기준을 수립하고, 10개의 오픈소스 모델과 2개의 상용 이미지 편집 모델에 대한 종합적 연구를 수행했다. 실험 결과, 고급 시스템조차 고품질 시각 결과물을 생성하면서도 암묵적 다차원 추론에 자주 어려움을 겪는 것으로 나타났다. 또한, 모델에 구애받지 않는 방식으로 명시적 추론을 삽입함으로써 이러한 오류를 완화할 수 있는 방법을 보여주는 경량 추론 유도 사후 편집 기준선을 첫 탐색으로 제시한다.

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.