知识卡片：ACEdit：通过非对称条件实现稳定的多轮图像编辑

一句话结论

ACEdit 提出一种训练方案，通过让编辑模型在训练中面对自身前序输出（Self-Forcing），并用锚定原始干净图像的教师模型提供蒸馏信号，缓解多轮图像编辑中累积分布偏移导致的质量退化。

事件概述或研究问题

图像编辑模型在单次编辑上表现良好，但在多轮连续编辑中质量往往下降。材料指出，每一轮编辑都会引入微小的分布偏移，这些偏移随编辑轮次累积，使多轮推理时的输入分布偏离编辑器原始训练时遇到的分布。ACEdit 要解决的就是这种累积分布偏移下的多轮编辑稳定性问题。

方法/产品要点

• Self-Forcing 思路引入图像编辑：训练时强制编辑器操作自己在前几轮编辑中产生的输出，而不是只依赖真实数据分布。
• 核心挑战：自生成的编辑轨迹会偏离真实（ground-truth）轨迹，导致直接监督不可靠。
• 蒸馏目标：引入教师图像编辑器，在学生模型基于自身前序输出进行编辑时提供可靠训练信号。
• 非对称条件（Asymmetric Conditioning）：学生按顺序在自己的输出上连续编辑；教师则始终锚定原始干净图像，并接收复合编辑指令。学生与教师在条件输入上的这种不对称设计是方法的关键。

主要结果或产业意义

材料称实验显示，在长多轮序列中质量退化显著减少，同时保持编辑质量与指令遵循能力。具体指标、数据集和对比基线未在摘要中给出，待核实。

为什么重要

多轮交互是图像编辑走向实用工作流（如反复修图、迭代设计）的必要能力。ACEdit 把语言模型序列生成中的 Self-Forcing 思路迁移到图像编辑，并用非对称条件的教师蒸馏解决自生成轨迹监督不可靠的问题，为多轮编辑的训练范式提供了可复用的思路。与既有卡片中多轮检索、多轮规划蒸馏等条目相比，本条聚焦的是图像编辑模型在多轮推理中的分布偏移与训练稳定性，属于多轮能力在视觉生成方向上的增量。

局限与不确定性

• 摘要未披露具体实验设置、数据集、评价指标与量化提升幅度，待核实。
• 教师模型的具体来源与规模、复合编辑指令的构造方式，待核实。
• “长多轮序列”的具体轮次范围未说明，待核实。
• 方法对不同类型的编辑操作（几何变换、属性修改、添加/删除对象等）是否一致有效，待核实。

可用于图书/PPT/简报的角度

• 用“误差累积”类比多轮编辑中的分布偏移：单轮小偏差如何在多轮中放大。
• Self-Forcing 从语言模型到图像编辑的跨模态迁移，可作为“训练与推理分布对齐”的案例。
• 非对称条件设计：学生看自己的脏输入，教师看干净原图加复合指令——一种“锚点+蒸馏”的稳定化范式。
• 多轮交互式图像编辑作为生成模型落地工作流的关键能力。

原始材料

• 标题：ACEdit: Stable Multi-Turn Image Editing via Asymmetric Conditioning
• 作者：Sara Dorfman, Nir Goren, Gal Barak, Daniel Cohen-Or, Or Patashnik
• arXiv ID：2610.22328v1
• 发布/更新：2026-10-15T17:52:24Z
• 主分类：cs.CV；分类：cs.CV, cs.AI, cs.GR
• Abstract URL：https://arxiv.org/abs/2610.22328v1
• PDF URL：https://arxiv.org/pdf/2610.22328v1
• 关键词：multi-turn image editing；Self-Forcing；asymmetric conditioning；distillation；distribution shift