这组图片笔记按三张卡理解：
- 论文认为，现有图像编辑方法擅长静态属性，却难以处理复杂的人-物交互；HOI-Edit 被提出为面向 Human-Object Interaction 编辑的认知基准。2
- arXiv 摘要称，HOI-Edit 包含三个递进认知层级，并配套 HOI-Eval，通过让 VLM 对带有人-物定位关系的图像进行问答评估实例级交互。2
- 论文提出 SCPE（Self-Correcting Process Editing），用图生视频模型生成动态过程，再通过迭代提示和抽帧得到最终编辑结果；GitHub 页面显示项目包含 HOI-Edit、HOI-Eval 与 SCPE 的代码和标注 JSON，部分大型资产单独托管。2 3
这期的关键是：图像编辑不再只问「像不像」，还要问「人和物的动作关系对不对」。
评论
登录后可发表评论。