From Scale to Speed: Adaptive Test-Time Scaling for Image Editing

Strategie z raportu:

• Dynamiczne przydzielanie zasobów w zależności od trudności (Difficulty-aware Resource Allocation): Mechanizm potrafi oszacować, jak skomplikowana jest prośba o modyfikację obrazu i automatycznie dobiera odpowiedni "budżet" czasu obliczeniowego, oszczędzając go przy prostych zadaniach.
  
  

• Skupienie weryfikacji na szczegółach (Edit-specific Verification): System we wczesnej fazie odrzuca nieudane warianty obrazu, analizując tylko ten konkretny obszar, który miał ulec zmianie, ignorując ogólną atrakcyjność wizualną całego pliku.
  
  

• Zatrzymywanie oportunistyczne (Opportunistic Stopping): Proces inteligentnie przerywa dalsze generowanie obrazu, gdy tylko natrafi na wersję spełniającą zadane kryteria, eliminując potrzebę nadmiarowego tworzenia dziesiątek wariantów.

Dobre praktyki:

• Optymalizacja balansu wydajność-efektywność: Zamiast polegać na tradycyjnej metodzie "wygeneruj n-obrazków i wybierz najlepszy" (Best-of-N), warto stosować punktową weryfikację śródoperacyjną.
  
  

• Traktowanie edycji jako procesu z mocnymi ograniczeniami: Pamiętaj, że wprowadzanie poprawek na zdjęciach to nie to samo co generowanie od zera. Ocenę pracy modelu należy budować tak, aby zmuszała go do rygorystycznego zachowania nietkniętej reszty obrazu oryginalnego.

  
  

• Korzystanie ze spójności tekstowo-wizualnej: Najlepszym wskaźnikiem udanej edycji jest potwierdzenie, czy wyedytowany mały fragment kadru perfekcyjnie pasuje do przymiotników i rzeczowników użytych w prompcie.

Czego unikać?

• Ślepego mapowania standardowego Image-CoT (Text-to-Image) na edycję: Narzędzia służące do wymuszania długich łańcuchów rozumowania i generowania w modelach Text-to-Image nie sprawdzają się w modyfikowaniu gotowych zdjęć, powodując omijanie intencji użytkownika.
  
  

• Stałych budżetów próbkowania dla każdego zadania: Przydzielanie każdemu zadaniu edycyjnemu takiej samej mocy i ilości kroków to marnowanie zasobów – drobna zmiana jasności nie wymaga tylu obliczeń co podmiana postaci w kadrze.
  
  

• Oceniania edycji przy pomocy ogólnych wyników wizualnych (General MLLM scores): Unikaj używania ogólnych "współczynników estetyki" czy szerokich ocen wizualnych przy odrzucaniu wczesnych wersji obrazu.