UniEditBench：用于图像和视频编辑的统一且高性价比基准
计算机视觉与模式识别
2026-04-20 v1 人工智能
摘要
视觉编辑模型的评估在不同方法和模态之间仍然碎片化。现有基准常常针对特定范式设计，导致跨范式公平比较困难；而视频编辑缺乏可靠的评估基准。此外，常见的自动评估指标常与人类偏好错位，而直接部署大型多模态模型（MLLM）作为评估器则产生巨大的计算和经济成本。我们提出 UniEditBench，一个支持图像和视频编辑的统一基准，能够在共享协议下支持基于重构和指令驱动的方法。UniEditBench 包含九类图像操作（Add、Remove、Replace、Change、Stroke-based、Extract、Adjust、Count、Reorder）和八类视频操作，涵盖计数、空间重排序等具挑战性的组合任务。为实现可扩展评估，我们将高容量 MLLM 评判器（Qwen3-VL-235B-A22B Instruct）蒸馏为轻量级 4B/8B 评估器，提供结构忠实度、文本对齐、背景一致性、自然性及视频的时空一致性等多维度评分。实验表明，蒸馏后的评估器与人类判断高度一致，相较于教师模型显著降低部署成本。UniEditBench 提供了针对现代视觉编辑方法的实用且可复现的评估协议。我们的基准及关联奖励模型已公开发布于 https://github.com/wesar1/UniEditBench。
引用
@article{arxiv.2604.15871,
title = {UniEditBench: A Unified and Cost-Effective Benchmark for Image and Video Editing via Distilled MLLMs},
author = {Lifan Jiang and Tianrun Wu and Yuhang Pei and Chenyang Wang and Boxi Wu and Deng Cai},
journal= {arXiv preprint arXiv:2604.15871},
year = {2026}
}