BluePixel: Toward Native 4K Agentic Image Editing

📄 arXiv: 2610.19882v1 📥 PDF

作者: Shanyan Guan, Shiyu Li, Xin Li, Zhizhou Chen, Yunzhe Xu, Yuehao Liu, Ruixue Shen, Shiju Zhang, Min Jin, Qiang Liu, Junbo Liu, Penggang Shi, Sheng Sun, Xiao Wang, Yong Zhang, Zhongang Qi, Wei Li, Chao Ma, Ying Tai, Yanhao Ge

分类: cs.CV

发布日期: 2026-10-14

备注: 24 pages. Project page: https://tech.vivo.com/BluePixel

💡 一句话要点

提出BluePixel以解决4K图像编辑训练难题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 图像编辑 4K技术 强化学习 变分自编码器 蒸馏训练 持续学习 代理系统 用户指令解析

📋 核心要点

  1. 现有的图像编辑方法无法精确调整参数，难以匹配专业专家的需求，且对用户模糊指令的理解能力不足。
  2. BluePixel通过将原生4K编辑模型与代理系统结合，提供了一种新的训练方案，使4K编辑变得可行且高效。
  3. 在VINS-4KEval++数据集上，BluePixel在7305个原生4K案例中排名第二，仅次于GPT Image 2，显示出优越的非编辑区域一致性。

📝 摘要（中文）

指令驱动的图像编辑已经达到了原生4K的水平，但如何训练这样的编辑器仍然不为人知，从头开始预训练一个编辑器对大多数团队来说是不可行的。本文提出BluePixel，将原生4K编辑模型与代理系统结合，提供了完整的训练方案。该模型通过逐步的变分自编码器适应，将1K预训练编辑器转变为原生4K编辑器，使4K训练的成本与1K相当，并通过持续学习吸收多样的编辑技能，利用强化学习优化美学与保真度的权衡。通过源锚定目标投影的蒸馏技术，将50个去噪步骤压缩为4个，在单个Kunlunxin P800 XPU上完成4K编辑，保持任务成功率和背景一致性。

🔬 方法详解

问题定义：本文旨在解决现有图像编辑器在处理4K图像时的训练难题，现有方法无法有效应对用户的模糊指令和精确的参数调整需求。

核心思路：论文提出BluePixel，通过将原生4K编辑模型与代理系统结合，采用逐步的VAE适应和强化学习，使4K编辑训练变得经济可行。

技术框架：BluePixel的整体架构包括一个原生4K编辑模型和一个代理系统，代理系统负责将用户指令分解为专业和通用操作，并通过奖励模型验证每个结果。

关键创新：最重要的创新在于通过源锚定目标投影(SATP)技术将去噪步骤从50个压缩至4个，显著提高了编辑速度，同时保持了任务的成功率和背景一致性。

关键设计：在设计中，采用了逐步的VAE适应技术，结合强化学习优化损失函数，并在网络结构上进行了针对4K编辑的特定调整，以确保高效的训练和编辑效果。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在VINS-4KEval++数据集上，BluePixel在7305个原生4K案例中排名第二，仅次于GPT Image 2，显示出在非编辑区域一致性方面的优越性。此外，BluePixel在单个Kunlunxin P800 XPU上完成4K编辑的时间为8.7秒，显著提升了编辑效率。

🎯 应用场景

BluePixel的研究成果在多个领域具有潜在应用价值，包括高质量图像生成、影视后期制作、虚拟现实和增强现实等。随着图像编辑技术的不断进步，BluePixel有望推动更高分辨率图像处理的普及，提升用户的创作体验。

📄 摘要（原文）

Instruction-driven image editing has reached native 4K, yet how such editors are trained remains undisclosed, and pretraining one from scratch is beyond most teams. The task itself compounds the difficulty: a single end-to-end editor cannot make precise parametric adjustments, match specialized experts, or interpret the vague instructions users actually write. We argue that 4K editing is a system problem rather than a single-model problem, and present BluePixel, which couples a native-4K editing model with an agent harness; the complete training recipe is disclosed in this paper. The model makes 4K training practical: it turns a 1K-pretrained editor into a native-4K one through progressive VAE adaptation that keeps 4K training as affordable as 1K, absorbs a long tail of vertical editing skills through continual learning, and refines the aesthetic-fidelity trade-off with reinforcement learning. Distillation via source-anchored target projection (SATP) then compresses 50 denoising steps to 4, completing a 4K edit in 8.7 s on a single Kunlunxin P800 XPU while preserving task success rate and background consistency. The harness, BluePixel Agent, makes editing controllable: it decomposes user instructions into specialist and general operations, verifies every result with the same reward model that guided training, and retries within bounded attempts. On VINS-4KEval++ (3,305 native-4K cases), BluePixel ranks second among seven models, behind only GPT Image 2 in non-edited-region consistency.