重新思考草稿引导的图像编辑：泛化、指令遵循与多任务

草稿引导的图像编辑允许用户将简单的草稿注释与文本提示组合，以指定图像应如何以及在何处进行编辑，从而实现灵活的交互并具备精确的空间控制。然而，现有模型在此范式下仍表现不稳定，尤其在多任务场景中效果更为突出。为提升性能，我们使用开源编辑模型进行经验研究，发现泛化存在不对称性：指令层面的泛化（包括跨编辑任务以及从单任务到多任务的设置）比图像域的泛化（如从合成到真实图像，或从马赛克图像到常规图像）更具挑战性。这表明主要瓶颈在于对多样化编辑指令的学习不足，而非图像域差距。基于此洞见，我们提出三种策略：（a）覆盖式-真实性课程 curriculum，这是一个两阶段流程，首先构建大规模合成、指令丰富的数据以获得广泛的任务监督，然后筛选一小部分真实数据以细化生成的真实性；（b）多任务马赛克化，通过在几乎零成本下拼接单任务示例来构建多任务训练样本，同时使所学能力能够泛化到非马赛克图像；（c）编辑聚焦损失，利用合成数据中输入与输出图像之间变化区域，以聚焦训练中的编辑区域，提高学习效率和编辑准确性。通过这些策略，我们在VIBE基准上显著提升了单任务和多任务草稿引导编辑性能，实现了最先进的效果。我们将公开发布数据集和模型。