**SpatialEdit: 세밀한 이미지 공간 편집 성능 평가**

초록

이미지 공간 편집은 기하학적 변환을 수행하여 객체 배치와 카메라 시점을 정밀하게 제어할 수 있게 합니다. 현재 모델들은 미세한 수준의 공간 조작에 부적합하여 전용 평가 체계의 필요성이 대두되었습니다. 본 연구의 주요 기여는 다음과 같습니다: (i) 시점 재구성 및 프레이밍 분석을 통해 지각적 타당성과 기하학적 정확도를 함께 측정하는 종합 벤치마크인 SpatialEdit-Bench를 도입합니다. (ii) 확장 가능한 학습을 위한 데이터 부족 문제를 해결하기 위해, 제어 가능한 Blender 파이프라인으로 생성된 Synthetic 데이터셋 SpatialEdit-500k를 구축했습니다. 이 데이터셋은 다양한 배경과 체계적인 카메라 궤적에서 객체를 렌더링하여 객체 중심 및 카메라 중심 연산 모두에 대한 정확한 ground-truth 변환 값을 제공합니다. (iii) 해당 데이터를 기반으로 미세한 공간 편집을 위한 기준 모델인 SpatialEdit-16B를 개발했습니다. 우리의 방법은 일반적인 편집 작업에서 경쟁력 있는 성능을 보이는 동시에 공간 조작 과제에서 기존 방법을 크게 능가합니다. 모든 자원은 https://github.com/EasonXiao-888/SpatialEdit에서 공개될 예정입니다.

English

Image spatial editing performs geometry-driven transformations, allowing precise control over object layout and camera viewpoints. Current models are insufficient for fine-grained spatial manipulations, motivating a dedicated assessment suite. Our contributions are listed: (i) We introduce SpatialEdit-Bench, a complete benchmark that evaluates spatial editing by jointly measuring perceptual plausibility and geometric fidelity via viewpoint reconstruction and framing analysis. (ii) To address the data bottleneck for scalable training, we construct SpatialEdit-500k, a synthetic dataset generated with a controllable Blender pipeline that renders objects across diverse backgrounds and systematic camera trajectories, providing precise ground-truth transformations for both object- and camera-centric operations. (iii) Building on this data, we develop SpatialEdit-16B, a baseline model for fine-grained spatial editing. Our method achieves competitive performance on general editing while substantially outperforming prior methods on spatial manipulation tasks. All resources will be made public at https://github.com/EasonXiao-888/SpatialEdit.

SpatialEdit: 세밀한 이미지 공간 편집 성능 평가

SpatialEdit: Benchmarking Fine-Grained Image Spatial Editing

초록

Support