ThinkDrag：结合视觉推理的语义拖拽图像编辑
ThinkDrag是一种通过拖拽点位进行图像编辑的多模态框架。不同于主要将拖拽操作解释为几何位移的现有方法，ThinkDrag能够将点约束与物体和场景层面的语义变换联系起来。系统还可以在生成图像前输出明确的推理过程，从而提升对模糊编辑意图的可解释性。研究团队提出了拖拽端点标记，用于提供图像空间中的对应信号，并构建了包含语义拖拽变换和推理过程的监督数据集，以及面向复杂拖拽编辑场景的DragBench++基准。实验结果显示，该方法提升了生成图像的质量和合理性，同时保持了具有竞争力的点位跟随精度。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。