MT-EditFlow：基於流匹配的多輪影像編輯強化學習
蘋果機器學習研究團隊提出MT-EditFlow，一種基於流匹配的多輪影像編輯框架，透過強化學習微調擴散模型，解決現有單輪編輯模型在多輪互動中的失敗問題，如“全或無”要求和誤差傳播。
近年來，基於指令的影像編輯取得了突破性進展，模型能夠處理現實世界中的編輯需求，為日常使用者提供了實用性。然而，主要針對單輪編輯訓練的模型在多輪編輯——即使用者基於模型自身先前輸出迭代最佳化影像的互動場景——中常常失效。這種失敗源於“全或無”的要求：單次失敗的編輯會破壞整個序列；以及誤差傳播：暴露偏差導致模型對自身輸出產生的分佈外影像表現不佳。
為了解決這一問題，蘋果機器學習研究團隊提出了MT-EditFlow，一個基於流匹配（Flow Matching）的多輪影像編輯框架。MT-EditFlow透過強化學習微調擴散模型，使其能夠更好地適應多輪互動。具體來說，模型在訓練過程中被暴露於自身先前生成的影像，從而學習如何糾正和最佳化之前的編輯結果。
實驗表明，MT-EditFlow在多個影像編輯基準上顯著優於現有方法，尤其是在多輪場景中。該框架不僅保持了單輪編輯的高質量，還實現了多輪編輯的穩定性和一致性。這一工作為構建更自然、更實用的互動式影像編輯系統鋪平了道路。