计算机科学 > 计算机视觉与模式识别
[提交于 2025年8月1日
(v1)
,最后修订 2025年8月5日 (此版本, v2)]
标题: 自回归图像编辑中强化学习的潜力
标题: The Promise of RL for Autoregressive Image Editing
摘要: 我们探索了三种策略以在广泛的图像编辑任务中提升性能:监督微调(SFT)、强化学习(RL)和思维链(CoT)推理。 为了在一个一致的框架中研究所有这些组件,我们采用了一个自回归多模态模型,以统一的方式处理文本和视觉标记。 我们发现将RL与大型多模态LLM验证器结合使用是最有效的策略。 因此,我们发布了EARL:基于自回归和RL的编辑,一个强大的基于RL的图像编辑模型,在与强大基线的比较中表现出色,尽管使用的训练数据要少得多。 因此,EARL推动了自回归多模态模型在图像编辑领域的前沿。 我们在https://github.com/mair-lab/EARL发布我们的代码、训练数据和训练好的模型。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.