ACE-LoRA：用于持续图像编辑的自适应正交解耦
计算机视觉与模式识别
2026-05-15 v1
摘要
最新方法的扩散模型通常依赖于参数高效微调以执行专门的图像编辑任务。然而，实际应用需要在保持先前已学习知识的同时持续适应新的任务。尽管存在实际必要性，但图像编辑的持续学习仍在很大程度上未被探索。我们提出了 ACE-LoRA，一种用于持续图像编辑的动态正则化框架，有效缓解灾难性遗忘。ACE-LoRA 利用自适应正交解耦来识别和正交化任务干扰，引入等级不变的历史信息压缩策略以解决持续更新中的可扩展性问题。为促进图像编辑的持续学习并提供标准化评估协议，我们引入了 CIE-Bench，即该领域的第一个综合基准。CIE-Bench 包含多样且与实际相关的图像编辑场景，具有平衡的难度水平，以有效暴露现有模型的局限性同时与参数高效微调兼容。广泛的实验表明，我们的方法在指令忠实度、视觉真实性和对遗忘的鲁棒性方面 consistently 优于现有基线，为图像编辑的持续学习奠定了坚实基础。
引用
@article{arxiv.2605.14948,
title = {ACE-LoRA: Adaptive Orthogonal Decoupling for Continual Image Editing},
author = {Yuehao Liu and Weijia Zhang and Xuanming Shang and Zhizhou Chen and Yanhao Ge and Shanyan Guan and Chao Ma},
journal= {arXiv preprint arXiv:2605.14948},
year = {2026}
}