LensErase: A Foundation Model for Erase Anything

📄 arXiv: 2610.18072v1 📥 PDF

作者: Yunuo Chen, Xiuyu Wu, Qinhong Yang, Jinjing Zhao, Yanchen Dong, Sirui Zhang, Dong Chen, Fangyun Wei, Lei Shi, Ji Li, Dongdong Chen, Guo Lu, Yan Lu, Baining Guo

分类: cs.CV

发布日期: 2026-10-13

备注: LensFamily Technical Report. Project page: https://lensfamily.github.io/LensErase/

💡 一句话要点

提出LensErase以解决多场景物体擦除问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 物体擦除 图像处理 深度学习 生成模型 数据集构建 强化学习 视觉效果

📋 核心要点

  1. 现有的擦除方法在处理多样化对象和复杂场景时表现不足，难以满足实际应用需求。
  2. 论文提出LensErase模型，通过构建大规模数据集和创新的Mask-Aware RoPE技术，提升了掩码信息的有效利用。
  3. 在六个公共基准测试和LensErase-Bench上，LensErase在参考基础的客观指标和无参考的VLM评估中均取得了显著提升。

📝 摘要（中文）

我们介绍了LensErase，这是一种通用的基于掩码的Erase Anything基础模型，旨在覆盖广泛的现实世界擦除场景。LensErase支持多样的对象、视觉文本、水印、相关视觉效果、多对象移除，以及各种对象规模、纵横比和图像分辨率。首先，为了实现广泛覆盖，我们构建了LensErase-100M，这是一个包含1.0107亿对源图像-掩码-目标示例的大规模数据集，涵盖多种擦除场景。其次，我们从文本到图像模型Lens进行预训练，适应其强大的生成先验以实现基于掩码的擦除。最后，我们通过监督微调和强化学习进行模型优化，并在推理时应用TraceFusion以保持有效编辑区域外的高保真内容。

🔬 方法详解

问题定义：本论文旨在解决多样化物体和复杂场景的擦除问题。现有方法在处理不同对象、视觉文本和水印等方面存在局限性，难以实现高效和高保真的擦除效果。

核心思路：论文的核心思路是构建一个强大的基础模型LensErase，通过大规模数据集和创新的技术设计，提升模型在多种擦除场景下的表现。特别是，Mask-Aware RoPE技术使得掩码信息能够直接融入源图像的表示中。

技术框架：LensErase的整体架构包括数据集构建、模型预训练、掩码信息注入、监督微调和强化学习优化等多个阶段。首先，构建LensErase-100M数据集，然后进行模型的预训练和掩码信息的有效整合，最后通过微调和优化提升模型性能。

关键创新：最重要的技术创新点在于Mask-Aware RoPE，它通过3D旋转位置编码直接将掩码信息注入源图像的tokens中，避免了引入额外的掩码token序列，从而提高了模型的效率和效果。

关键设计：在模型设计中，采用了大规模的LensErase-100M数据集，结合了监督学习和强化学习的策略，使用区域感知的奖励机制进行优化，确保模型在推理时能够保持高保真度。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在六个公共基准测试和LensErase-Bench上，LensErase在参考基础的客观指标上实现了显著提升，具体表现为在多种擦除场景下的准确性和效果均优于现有方法，展示了其在无参考VLM评估中的优越性能。

🎯 应用场景

LensErase模型具有广泛的应用潜力，能够用于图像编辑、内容创作、广告设计等领域。其强大的擦除能力可以帮助用户在多种场景下实现高效的图像处理，提升视觉内容的质量和用户体验。未来，LensErase有望成为擦除相关应用和系统的基础模型，推动相关技术的发展。

📄 摘要（原文）

We introduce LensErase, a general-purpose mask-based Erase Anything foundation model designed to cover a broad spectrum of real-world erase scenarios. LensErase supports diverse objects, visual text, watermarks, associated visual effects, multiple-object removal, and a wide range of object scales, aspect ratios, and image resolutions. First, to enable such broad coverage, we construct LensErase-100M, a large-scale dataset containing 101.07 million paired source-mask-target examples spanning diverse erase scenarios. Second, we pretrain LensErase from the text-to-image model Lens, adapting its strong generative prior to mask-based erasing. To efficiently incorporate the source image and erase mask, we propose Mask-Aware RoPE, a 3D rotary positional encoding that directly injects mask information into the source-image tokens without introducing a separate mask token sequence. Finally, we refine the model through supervised fine-tuning and reinforcement learning with contract-guided, region-aware rewards, and apply TraceFusion at inference to preserve high-fidelity content outside the effective edit region. Across six public benchmarks and the proposed LensErase-Bench, LensErase achieves substantial improvements under both reference-based objective metrics and reference-free VLM evaluation. We hope LensErase can serve as a foundational model for erase-related applications and systems.