ACEdit 提出非对称条件训练，缓解多轮图像编辑退化
论文AI 评分 68/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
图像编辑模型单次编辑效果不错，但连续多轮编辑后质量会下滑，原因是每一轮引入的分布偏移会累积，使推理时的输入分布偏离训练分布。作者提出一种训练方案，让编辑器在训练阶段就处理自己前几轮的输出，把 Self-Forcing 思路引入图像编辑。难点在于自生成轨迹偏离真实轨迹，直接监督不可靠，因此用蒸馏目标借助教师编辑器提供训练信号，并采用非对称条件：学生按顺序在自己的输出上编辑，教师始终锚定原始干净图像并接收复合编辑指令。实验显示长多轮序列中的退化明显减少，同时保持编辑质量与指令遵循。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载多轮编辑为何会退化
材料指出，图像编辑模型在单次编辑上能给出不错的结果，但经过多轮连续编辑后质量往往下降。原因在于每一次编辑都会带来轻微的分布偏移，这些偏移在后续编辑中不断累积，最终使推理阶段遇到的输入分布与编辑器最初训练时的分布之间出现差距。这个差距不是某一轮编辑出错造成的，而是逐轮叠加的结果，因此仅靠单轮指标难以反映模型在长序列下的真实表现。作者把问题定位为累积分布偏移下的稳定性问题，并围绕这一点设计训练方案。
用自身输出做训练
作者提出的训练方案核心是让编辑器在训练时就面对自己前几轮产生的输出，而不是只面对干净的真实图像，这一做法借鉴了 Self-Forcing 的思路。直接这样做会遇到一个障碍：模型自己生成的编辑轨迹与真实轨迹并不一致，若直接以真实轨迹作为监督信号，监督就不可靠。为此论文引入蒸馏目标，借助一个教师图像编辑器在模型处理自身历史输出时提供训练信号，从而在偏离真实轨迹的情况下仍能获得可用的指导。
非对称条件的具体设计
方案中的非对称条件体现在学生与教师的分工上。学生模型按顺序在自己的输出上执行编辑，逐步累积多轮状态；教师模型则始终锚定最初那张干净图像，并接收一条复合编辑指令。两者条件方式不同，教师因此能在学生已经偏离的轨迹上给出相对稳定的参照。论文称实验结果显示，在较长的多轮序列中退化被明显抑制，同时编辑质量和指令遵循能力得以保持。材料未给出具体的轮数、数据集或量化指标。
为什么值得看
多轮编辑退化是图像编辑落地的常见痛点，该方案给出了可复用的训练思路。
蒸馏论文
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。