EditThinker: Desbloqueando o Raciocínio Iterativo para Qualquer Editor de Imagem
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
Resumo
A edição de imagens baseada em instruções emergiu como uma área de pesquisa proeminente que, beneficiando-se de modelos fundamentais de geração de imagens, alcançou alta qualidade estética, tornando a capacidade de seguir instruções o principal desafio. As abordagens existentes melhoram a aderência às instruções via aprendizado supervisionado ou por reforço, porém as taxas de sucesso em tarefas únicas permanecem limitadas devido à estocasticidade inerente e à falta de deliberação. Neste trabalho, propomos um framework de edição deliberativa para "pensar" durante a edição, que simula o loop cognitivo humano através da execução iterativa de um ciclo Pensar-durante-Editar: Criticar resultados e Refinar instruções, seguido pela Repetição da geração até a satisfação. Especificamente, treinamos um único MLLM, o EditThinker, para atuar como motor de raciocínio deste framework, produzindo conjuntamente a pontuação de crítica, o processo de raciocínio e as instruções refinadas. Empregamos aprendizado por reforço para alinhar o pensamento do EditThinker com sua edição, gerando assim melhorias de instrução mais direcionadas. Experimentos extensos em quatro benchmarks demonstram que nossa abordagem melhora significativamente a capacidade de seguir instruções de qualquer modelo de edição de imagem por uma grande margem. Disponibilizaremos nosso framework de construção de dados, conjuntos de dados e modelos para beneficiar a comunidade.
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.