从规模到速度：图像编辑的自适应测试时缩放 From Scale to Speed: Adaptive Test-Time Scaling for Image Editing

ADE-CoT的完整流程分为三大步骤，对应算法3（Alg. 3）的三行核心调用。第一步：难度感知资源分配（Alg. 4）。输入源图像Isrc和编辑指令c，先采样一个初始噪声xT，通过完整的T步去噪生成一个候选图像I，用通用MLLM验证器Vrf得到初始分数S。然后通过公式Na = Nmin + ⌈(N−Nmin)×(1−S/Smax)^γ⌉计算自适应预算，其中γ=0.15控制敏感度。当S接近Smax（简单编辑）时Na趋近Nmin=1；当S接近0（复杂编辑）时Na趋近N=32。第二步：编辑专属验证的早期剪枝（Alg. 5）。对Na个候选进行T步到te步的部分去噪，得到中间潜在表示xte。对每个候选应用单步预览机制（公式4：x0|te = xte − σte·εθ(xte, Tte)）获取近似清晰图像I0|te。然后计算统一评分S = Sgen + Sreg + Scap：Sgen是通用MLLM分数（VIE-Score），Sreg通过Grounded SAM2定位编辑区域并与RGB变化图比较评估区域正确性（公式5-6），Scap通过CLIP评估指令-描述一致性（公式7）。低于阈值Srj=5的候选被剪枝，DINOv2特征相似度超过τsim=0.98的冗余候选被去除，剩余候选按分数降序排列。第三步：深度优先自适应停止（Alg. 6）。按排序依次处理候选：从te步去噪到tl步，生成晚期预览并计算统一评分，自适应保留阈值Srt筛选高质量候选（S0|tl ≥ Srt−δ），通过tl到0步完整去噪生成最终图像，用实例专属验证器生成5个针对性yes/no问题并回答，如果所有问题都回答yes（Sspec ≥ Shigh）则计入意图对齐结果Ncnt，当Ncnt达到Nhigh=4时停止搜索。

ADE-CoT的技术新颖性体现在三个层面。第一，在资源分配层面，公式(3)的自适应预算公式是首次在Image-CoT中引入基于难度的动态分配机制。与LLM推理中按token难度分配计算不同，这里用初始编辑分数作为难度代理，通过γ指数控制分配曲线的形状，实现平滑的难度-预算映射。第二，在验证机制层面，编辑专属验证的两个指标（Sreg和Scap）是首次针对编辑任务设计的专用验证信号。Sreg利用Grounded SAM2的区域定位能力和RGB变化图的像素级分析，实现了对编辑区域正确性的量化评估；Scap利用MLLM生成目标描述再用CLIP计算一致性，解决了测试时无ground-truth描述的难题。这两个指标与通用分数的加权组合（公式8）是一种简单但有效的多信号融合策略。第三，在搜索策略层面，将早期广度优先（并行生成+剪枝）与晚期深度优先（顺序处理+自适应停止）结合的混合搜索策略是新颖的。与纯BFS或纯DFS相比，这种混合策略在保留早期多样性的同时避免了晚期的冗余计算。实例专属验证器的两阶段询问机制（先生成针对性问题再回答）也是一种创新的验证范式，它引导MLLM关注关键细节而非给出笼统分数。

尽管ADE-CoT取得了显著的效率提升，但存在几个值得改进的弱点。首先，实例专属验证器的两阶段询问机制虽然有效，但对每个保留的候选都需要生成问题和回答问题，当候选数量较多时（如15个以上）会带来显著的延迟。改进方向是训练一个轻量级的专用验证模型（如7B参数量），直接输出编辑正确性判断，避免依赖大规模MLLM的多轮交互。其次，当前的深度优先停止策略是在晚期阶段串行处理候选，这限制了GPU利用率。可以探索在早期阶段预筛选出最有可能的top-K候选，然后对这K个候选进行小批量并行的晚期去噪和验证，兼顾效率和并行性。第三，区域正确性评估依赖Grounded SAM2的分割质量，当MLLM无法正确识别编辑对象或keep对象时（如全局编辑、抽象指令），Sreg指标会被跳过，退化为仅使用通用分数和描述一致性。可以引入更多编辑类型的特定验证信号（如颜色直方图比较、纹理一致性检查）来覆盖更广泛的编辑场景。第四，自适应预算公式中的γ对不同编辑模型和数据集的最优值可能不同（论文默认0.15），可以探索基于编辑类型的自适应γ选择策略。

作者提出了两个主要的未来研究方向。第一，开发高效准确的验证模型：训练轻量级（如7B参数）专用模型用于编辑质量评估，替代当前依赖的大规模MLLM。这种模型可以提供快速准确的中间预览评估，进一步提升编辑专属验证和自适应停止策略的效率。同时，准确的评估模型也能更好地评估去噪过程中的中间预览图像，增强早期剪枝的精度。第二，将ADE-CoT框架扩展到其他目标导向生成任务：难度感知资源分配和自适应停止策略的核心思想可以迁移到视频编辑、多轮对话生成等领域。基于本文成果，还可以延伸以下方向：（1）将ADE-CoT与训练时策略结合，如在训练数据中纳入Image-CoT诊断出的困难编辑案例，提升基础模型能力；（2）探索自适应采样策略，根据中间状态的反馈动态调整噪声扰动幅度或提示词改写策略；（3）将框架应用于实时编辑场景，通过更激进的早期剪枝和更小的Nhigh值实现亚秒级响应。

ADE-CoT的复现条件相对友好。论文基于三个完全开源的编辑模型（Step1X-Edit、FLUX.1 Kontext、BAGEL），所有模型权重和推理代码都可公开获取。验证流程使用开源的Qwen-VL-MAX作为MLLM（也有开源替代如Qwen2.5-VL-72B和Qwen3-VL-32B），VIE-Score作为通用验证器，Grounded SAM2用于区域定位，DINOv2用于视觉相似度计算，CLIP用于描述一致性——这些都是广泛使用的开源工具。三个评估基准（GEdit-Bench、AnyEdit-Test、Reason-Edit）也是公开的。算力需求方面，主要瓶颈在于MLLM推理：每个编辑案例约83-92次MLLM调用，如果使用开源72B模型，需要至少4张A100 GPU；如果使用API服务则成本取决于调用量。扩散模型推理本身需要1-2张GPU。超参数设置清晰（Tab. 6），论文提供了完整的算法伪代码（Alg. 1-6）和详细的提示词模板（Fig. 16-20），复现难度中等。论文还进行了三次不同随机种子的实验取平均，确保结果的鲁棒性。