GEdit-Bench
PulseAugur coverage of GEdit-Bench — every cluster mentioning GEdit-Bench across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的AI模型应对多轮图像编辑挑战 · 追踪6个来源
研究人员正在开发新的方法来改进多轮图像编辑，解决连续编辑过程中出现的退化和语义漂移问题。ACEdit引入了一种带有蒸馏目标的自强制训练方案，以稳定长序列的编辑。IMAGAgent采用计划-执行-反思框架，使用视觉语言模型进行指令解析，并使用大型语言模型进行反馈和纠正。DuplexBridge在单个模型内协调理解和生成，使用互惠信任检查并引入了CE-Bench基准。MTEdit专注于通过打包轨迹画布创建高质量的多轮训练数据，从而提高模型…
-
新的AI方法通过验证编辑并减少意外更改来增强图像编辑功能 · 跟踪2个来源
研究人员开发了改进指令引导图像编辑模型的新方法。一种方法ARRO使用带有视觉语言奖励模型的强化学习代理来审计编辑是否包含请求的更改和意外的更改，从而提高了在FLUX.1等基准测试上的性能，并减少了非目标像素更改。另一种方法Rubric-CEPR专注于自我演进，它使用编辑器自身的生成和内部表示来验证编辑，而无需人工标注数据或外部奖励模型。这种自我蒸馏过程通过提高Qwen-Image-Edit和Step1X-Edit等图像编辑器的实现编辑…
-
新框架SpatialFlow-GRPO通过细粒度奖励增强图像编辑
研究人员推出了一种新颖的训练框架SpatialFlow-GRPO，旨在通过解决强化学习中全图奖励信号的局限性来提高图像编辑质量。该新方法结合了空间细粒度奖励反馈，将区域感知奖励转换为与策略更新期间特定潜在位置对齐的优化信号。该框架还包括一个名为SFReward的区域感知奖励模型、一个名为SFReward-14K的数据集，以及一个名为MultiEditBench的基准套件，用于评估多区域编辑能力。在OmniGen2和FLUX.2-kle…
-
内联批评者通过批评中间预测来优化图像编辑
研究人员开发了“内联批评者”（Inline Critic），一种新颖的图像编辑方法，允许批评信号在生成过程中途影响生成过程。该方法会探测一个固定的图像编辑模型，识别早期层的错误模式，并利用这些信息来指导模型的隐藏状态进行优化。该技术在 GEdit-Bench 和 KRIS-Bench 等多个基准测试中取得了最先进的成果，并证明了批评者能有效地塑造模型的注意力和预测。