Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2507.05259

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2507.05259 (cs)
[提交于 2025年7月7日 ]

标题: 超越简单编辑:基于复杂指令的X-Planner图像编辑

标题: Beyond Simple Edits: X-Planner for Complex Instruction-Based Image Editing

Authors:Chun-Hsiao Yeh, Yilin Wang, Nanxuan Zhao, Richard Zhang, Yuheng Li, Yi Ma, Krishna Kumar Singh
摘要: 基于扩散的图像编辑方法在文本引导任务上取得了显著进展,但通常难以理解复杂的、间接的指令。 此外,当前模型经常面临身份保留效果差、意外编辑或严重依赖手动掩码的问题。 为了解决这些挑战,我们引入了X-Planner,这是一个基于多模态大语言模型(MLLM)的规划系统,能够有效将用户意图与编辑模型能力相衔接。 X-Planner采用思维链推理,系统地将复杂指令分解为更简单、清晰的子指令。 对于每个子指令,X-Planner会自动生成精确的编辑类型和分割掩码,消除人工干预,确保局部化且保留身份的编辑。 此外,我们提出了一种新颖的自动化流程,用于生成大规模数据以训练X-Planner,在现有基准和我们新引入的复杂编辑基准上均取得了最先进的结果。
摘要: Recent diffusion-based image editing methods have significantly advanced text-guided tasks but often struggle to interpret complex, indirect instructions. Moreover, current models frequently suffer from poor identity preservation, unintended edits, or rely heavily on manual masks. To address these challenges, we introduce X-Planner, a Multimodal Large Language Model (MLLM)-based planning system that effectively bridges user intent with editing model capabilities. X-Planner employs chain-of-thought reasoning to systematically decompose complex instructions into simpler, clear sub-instructions. For each sub-instruction, X-Planner automatically generates precise edit types and segmentation masks, eliminating manual intervention and ensuring localized, identity-preserving edits. Additionally, we propose a novel automated pipeline for generating large-scale data to train X-Planner which achieves state-of-the-art results on both existing benchmarks and our newly introduced complex editing benchmark.
评论: 项目页面:https://danielchyeh.github.io/x-planner/
主题: 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2507.05259 [cs.CV]
  (或者 arXiv:2507.05259v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.05259
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Chun-Hsiao Yeh [查看电子邮件]
[v1] 星期一, 2025 年 7 月 7 日 17:59:56 UTC (26,574 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号