当前主流的AI绘画模型虽能生成逼真图像，但在肢体、面部等细节处常出现扭曲。一项名为Agentic Retoucher的新研究，通过模拟人类感知、推理和行动的闭环过程，实现了对生成图像的精准智能修复，显著提升了图像质量与用户偏好匹配度。
智能速览
现有AI绘画模型常在肢体、面部等细节出现扭曲。
Agentic Retoucher框架提出感知-推理-行动三步修复法。
感知代理负责精确定位图像中的微小瑕疵区域。
推理代理诊断问题并使修复方案符合人类偏好。
行动代理自适应地规划并执行局部修复操作。
该方法在质量和用户偏好对齐上超越了现有技术。
精华内容
如何像人类一样修复AI绘画的瑕疵？新研究提出了一个智能解决方案，通过分层决策来精确修正图像，让细节更完美。
现有方案的局限
尽管SDXL、FLUX等文本到图像（T2I）扩散模型在逼真度上取得了显著成就，但小规模的扭曲问题依然普遍存在，尤其是在四肢、面部、文本等细节上。现有的细化方法存在明显短板：要么进行代价高昂的迭代式重新生成，要么依赖于空间定位能力较弱的视觉语言模型（VLMs），这容易导致语义漂移和不可靠的局部编辑，修复效果不尽人意。
智能修复三步法
为解决上述问题，Agentic Retoucher框架将生成后的校正重新定义为一个类似人类的“感知-推理-行动”循环。首先，感知代理在文本-图像一致性线索的引导下，学习上下文显著性，以实现对扭曲的细粒度定位。接着，推理代理通过逐步偏好对齐，执行与人类判断一致的推理诊断。最后，行动代理根据用户偏好，自适应地规划并执行局部修复，将感知证据、语言推理和可控校正整合到一个统一的自我校正流程中。
效果与评估
为了实现对模型的细粒度监督和定量评估，研究者还构建了一个名为GenBlemish-27K的新数据集，其中包含6000张T2I图像和27000个跨12个类别的人工标注瑕疵区域。大量实验表明，Agentic Retoucher在感知质量、扭曲定位准确性以及与人类偏好对齐方面，均一致性地优于现有最先进的方法，为自我校正和视觉可靠的T2I生成树立了新的技术典范。
