AnchorEdit: Maintaining Temporal Consistency in Multi-turn Image Editing via Causal Memory

📄 arXiv: 2606.11751v1 📥 PDF

作者: Hang Xu, Xiaoxiao Ma, Guohui Zhang, Yu Hu, Siming Fu, Jie Huang, Lin Song, Haoyang Huang, Nan Duan, Feng Zhao

分类: cs.CV, cs.AI

发布日期: 2026-06-10

备注: Code: https://github.com/xuhang07/AnchorEdit

💡 一句话要点

提出AnchorEdit以解决多轮图像编辑中的时间一致性问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多轮图像编辑 自回归扩散 因果推理 记忆机制 身份保持 一致性蒸馏 高分辨率生成

📋 核心要点

  1. 现有多轮图像编辑模型在连续编辑过程中容易出现身份漂移和错误累积，影响最终效果。
  2. AnchorEdit通过自回归扩散框架，结合因果推理和记忆机制，解决了多轮编辑中的一致性问题。
  3. 实验结果显示，AnchorEdit在高分辨率多轮编辑基准上表现优异，超过10轮交互后仍保持高保真度和准确性。

📝 摘要（中文）

多轮图像编辑对于迭代设计至关重要，但现有模型在连续步骤中常常面临身份漂移和错误累积的问题。虽然已有研究利用视频先验来保持一致性，但其依赖双向注意力的方式与交互编辑的因果顺序特性不符。本文提出AnchorEdit，这是首个专为高分辨率、长期多轮编辑设计的自回归扩散框架。AnchorEdit通过三阶段训练课程弥合视频先验与因果推理之间的差距，并在推理过程中引入记忆机制，以锚定初始主体身份，确保在扩展编辑轨迹中的稳定外推。大量实验表明，AnchorEdit在超过10轮交互中保持了卓越的主体保真度和指令跟随能力。

🔬 方法详解

问题定义：本文旨在解决多轮图像编辑中身份漂移和错误累积的问题。现有方法在连续编辑时常常无法保持一致性，导致最终结果不理想。

核心思路：AnchorEdit采用自回归扩散框架，专门设计用于高分辨率的长期多轮编辑。通过引入因果推理和记忆机制，确保在多轮交互中保持主体身份的一致性。

技术框架：AnchorEdit的整体架构包括三个主要阶段：1) 身份保持的单轮预训练；2) 采用新颖的自回归强制微调策略以减轻曝光偏差；3) 一致性蒸馏以实现高效的四步生成。在推理阶段，利用记忆机制锚定初始主体身份。

关键创新：AnchorEdit的核心创新在于其自回归扩散框架与因果推理的结合，克服了现有方法对双向注意力的依赖，从而更好地适应交互编辑的因果特性。

关键设计：在训练过程中，采用了特定的损失函数和网络结构，以优化身份保持和一致性。此外，设计了自回归强制微调策略，以有效减少模型在多轮交互中的曝光偏差。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，AnchorEdit在新的高分辨率多轮编辑基准上表现出色，成功维持了超过10轮交互的主体保真度和指令跟随能力，超越了现有的最先进技术，展现出显著的性能提升。

🎯 应用场景

AnchorEdit的研究成果在多个领域具有广泛的应用潜力，包括数字艺术创作、游戏开发、虚拟现实和增强现实等。通过提供高质量的多轮图像编辑能力，能够显著提升设计师和艺术家的工作效率与创作自由度，推动相关行业的发展。

📄 摘要（原文）

Multi-turn image editing is essential for iterative design, yet current models often struggle with identity drift and error accumulation over successive steps. While existing research leverages video priors for consistency, their reliance on bidirectional attention is fundamentally misaligned with the causal, sequential nature of interactive editing. In this paper, we propose AnchorEdit, the first autoregressive (AR) diffusion-based framework designed specifically for high-resolution, long-term multi-turn editing. AnchorEdit bridges the gap between video priors and causal inference through a three-stage training curriculum: identity-preserving sing-turn pretraining, causal AR forcing fine-tuning with a novel self-rollout strategy to mitigate exposure bias, and consistency distillation for efficient 4-step generation. During inference, we introduce a memory mechanism to anchor the initial subject identity and ensure stable extrapolation across extended editing trajectories. To evaluate performance, we provide a new high-resolution multi-turn editing benchmark designed to stress-test long-horizon stability. Extensive experiments demonstrate that AnchorEdit achieves state-of-the-art results, maintaining exceptional subject fidelity and instruction following even over 10+ interaction rounds.