TailSteer: guida della coda della traiettoria per un editing di immagini multi-turno resistente alla deriva

Abstract degli autori

Prestazioni elevate nell’editing a singolo turno non garantiscono un’interazione affidabile su più turni: quando i risultati modificati vengono riutilizzati ripetutamente, piccoli cambiamenti involontari possono accumularsi fino a causare una grave deriva visiva. Questa deriva a lungo termine viene spesso mitigata addestrando i modelli su dati multi-turno o con rollout tra i turni, con il rischio di alterare i prior preaddestrati, oppure ricorrendo a meccanismi specializzati in fase di inferenza, difficili da scalare ai modelli fondazionali. Introduciamo TailSteer, un framework di addestramento in fase finale che migliora la robustezza nelle interazioni multi-turno, preservando al contempo le capacità generative e di editing acquisite durante l’addestramento precedente. TailSteer segue un principio semplice: mantenere la dinamica iniziale del denoising vicina a quella del modello di base e concentrare le correzioni di preservazione in prossimità della coda della traiettoria, dove è possibile sopprimere le deviazioni più sottili. Queste correzioni vengono apprese dai rollout di denoising on-policy dello stesso editor, usando il contenuto sorgente invariato come riferimento per la preservazione, senza richiedere coppie curate di editing con ground truth. Gli esperimenti sulle famiglie FLUX, SenseNova e Qwen mostrano che TailSteer riduce sostanzialmente la deriva cumulativa nell’arco di 15-20 turni di editing, preservando in larga misura le prestazioni del modello di base su un’ampia gamma di benchmark text-to-image e di editing di singole immagini. Questi risultati dimostrano che la robustezza nell’editing su orizzonti temporali lunghi può essere ottenuta nei modelli fondazionali con TailSteer, anziché riapprendendo le capacità che già possiedono.