Agent Banana：具备智能思考与工具的高保真图像编辑
计算机视觉与模式识别
2026-02-24 v2
摘要
我们研究专业工作流程下的指令式图像编辑，识别出三个持续存在的挑战：（1）编辑器常常过度编辑，修改内容超出用户意图；（2）现有模型大多为单轮，而多轮编辑会影响对象保真度；（3）约为 1K 分辨率的评估与实际工作流程不一致，后者常 operate on ultra high-definition images（例如 4K）。我们提出 Agent Banana，一个用于高保真、对象感知、深思熟虑编辑的分层智能体规划-执行框架。Agent Banana 引入了两种关键机制：（1）上下文折叠，将长交互历史压缩为结构化记忆，以实现稳定的长程控制；（2）图像层分解，对非目标区域执行局部基于图层的编辑，以保留原始内容并生成原生分辨率输出。为支持严格评估，我们构建了 HDD-Bench，一个包含可验证的分步目标和原生 4K 图像（1180 万像素）的高清对话基准，用于诊断长程失败。 在 HDD-Bench 上，Agent Banana 在多轮一致性和背景保真度方面取得最佳表现（例如 IC=0.871，SSIM-OM=0.84，LPIPS-OM=0.12），同时在指令跟随方面保持竞争力，也在标准单轮编辑基准上取得强劲表现。我们希望这项工作推动可靠的专业级智能体图像编辑及其在实际工作流程中的集成。
引用
@article{arxiv.2602.09084,
title = {Agent Banana: High-Fidelity Image Editing with Agentic Thinking and Tooling},
author = {Ruijie Ye and Jiayi Zhang and Zhuoxin Liu and Zihao Zhu and Siyuan Yang and Li Li and Tianfu Fu and Franck Dernoncourt and Yue Zhao and Jiacheng Zhu and Ryan Rossi and Wenhao Chai and Zhengzhong Tu},
journal= {arXiv preprint arXiv:2602.09084},
year = {2026}
}
备注
Project Website: agent-banana.github.io