EditThinker: Раскрытие итеративного мышления для любого графического редактора
EditThinker: Unlocking Iterative Reasoning for Any Image Editor
December 5, 2025
Авторы: 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
Аннотация
Редактирование изображений на основе инструкций стало важным направлением исследований. Благодаря использованию базовых моделей генерации изображений, такие системы достигли высокой эстетической качества, что сделало способность следовать инструкциям ключевой проблемой. Существующие подходы улучшают соответствие инструкциям с помощью обучения с учителем или с подкреплением, однако процент успешных обработок в одном цикле остается ограниченным из-за стохастичности процесса и отсутствия продуманного подхода. В данной работе мы предлагаем систему продуманного редактирования, которая «обдумывает» действия в процессе работы, имитируя человеческий когнитивный цикл через итеративное выполнение цикла «Думай-во-время-Редактирования»: анализ результатов и уточнение инструкций с последующим повторением генерации до достижения удовлетворительного результата. В частности, мы обучаем единую мультимодальную языковую модель EditThinker, которая служит механизмом логического вывода в нашей системе и совместно формирует оценку критики, процесс рассуждения и уточненные инструкции. Мы применяем обучение с подкреплением для согласования процесса «обдумывания» EditThinker с редактированием, что позволяет генерировать более целенаправленные улучшения инструкций. Масштабные эксперименты на четырех наборах данных демонстрируют, что наш подход значительно повышает способность моделей редактирования изображений следовать инструкциям. Мы планируем опубликовать нашу систему сбора данных, датасеты и модели для развития научного сообщества.
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.