**文本-视觉协同指令实现精准图像编辑**

_Text-Vision Co-Instructed Image Editing_

> 现有图像编辑方法要么依赖文本指令缺乏空间控制，要么使用视觉提示存在语义模糊。本文提出文本-视觉协同指令编辑，将文本语义与视觉空间引导结合，构建了超23K样本的数据集，并设计了TV-Edit框架以统一处理拖拽、点选等视觉指令与文本语义。该方法在TV-Edit-Bench基准上显著优于现有技术，实现了更精确的空间控制、更少歧义和更强结构一致性。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-17 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.16767)