Агент Banana: высококачественное редактирование изображений с помощью агентного мышления и инструментария

Аннотация

Мы исследуем редактирование изображений на основе инструкций в рамках профессиональных рабочих процессов и выделяем три устойчивые проблемы: (i) редакторы часто вносят избыточные правки, изменяя содержимое сверх намерения пользователя; (ii) существующие модели в основном одношаговые, тогда как многошаговое редактирование может нарушать достоверность объектов; (iii) оценка на разрешении около 1K не соответствует реальным рабочим процессам, которые часто работают с изображениями сверхвысокой четкости (например, 4K). Мы предлагаем Agent Banana — иерархическую агентскую планерно-исполнительную структуру для высокоточного, объектно-ориентированного, обдуманного редактирования. Agent Banana вводит два ключевых механизма: (1) Свертку контекста, которая сжимает длинные истории взаимодействий в структурированную память для стабильного долгосрочного контроля; и (2) Декомпозицию слоев изображения, которая выполняет локализованное послойное редактирование для сохранения нетронутых областей с одновременным выводом изображения в нативном разрешении. Для строгой оценки мы создали HDD-Bench — диалоговый бенчмарк высокой четкости с верифицируемыми пошаговыми целями и нативными 4K-изображениями (11.8 млн пикселей) для диагностики долгосрочных сбоев. На HDD-Bench Agent Banana демонстрирует наилучшую согласованность при многошаговом редактировании и точность фона (например, IC 0.871, SSIM-OM 0.84, LPIPS-OM 0.12), оставаясь конкурентоспособным по следованию инструкциям, а также показывает высокие результаты на стандартных бенчмарках одношагового редактирования. Мы надеемся, что эта работа способствует развитию надежного, профессионального агентского редактирования изображений и его интеграции в реальные рабочие процессы.

English

We study instruction-based image editing under professional workflows and identify three persistent challenges: (i) editors often over-edit, modifying content beyond the user's intent; (ii) existing models are largely single-turn, while multi-turn edits can alter object faithfulness; and (iii) evaluation at around 1K resolution is misaligned with real workflows that often operate on ultra high-definition images (e.g., 4K). We propose Agent Banana, a hierarchical agentic planner-executor framework for high-fidelity, object-aware, deliberative editing. Agent Banana introduces two key mechanisms: (1) Context Folding, which compresses long interaction histories into structured memory for stable long-horizon control; and (2) Image Layer Decomposition, which performs localized layer-based edits to preserve non-target regions while enabling native-resolution outputs. To support rigorous evaluation, we build HDD-Bench, a high-definition, dialogue-based benchmark featuring verifiable stepwise targets and native 4K images (11.8M pixels) for diagnosing long-horizon failures. On HDD-Bench, Agent Banana achieves the best multi-turn consistency and background fidelity (e.g., IC 0.871, SSIM-OM 0.84, LPIPS-OM 0.12) while remaining competitive on instruction following, and also attains strong performance on standard single-turn editing benchmarks. We hope this work advances reliable, professional-grade agentic image editing and its integration into real workflows.

Агент Banana: высококачественное редактирование изображений с помощью агентного мышления и инструментария

Agent Banana: High-Fidelity Image Editing with Agentic Thinking and Tooling

Аннотация

Support