Adobe Research の研究者らは10月29日、画像の編集を AI に任せる仕組み「EditAgent」の論文を arXiv に公開した。編集の手順ごとに汎用の編集モデルと専用の道具を使い分け、候補を並行して作って選ぶ方式で、専門家による比較では、手直しを順に重ねる方式より選ばれた割合が78.5%だった。
arXiv 論文「EditAgent: Rethinking Agentic Image Editing」（10月29日・評価・限界・推論コスト）arXiv.org
写真の手直しを AI に頼む人にとっては、何をさせるかと同じくらい、何を見て良しとするかが問われる研究だ。
汎用のモデルは4割の場面で使える結果を出せなかった
論文はまず、AI の画像編集がつまずく原因を2つに絞る。どんな操作ができるかという道具の範囲と、出来を判定する役のモデルが何を見られるかだ。
それを確かめるため、研究チームは30種類の編集をそれぞれ20組、計600組の評価用データを作った。Photoshop での写真修整を仕事にする5人が、生成された候補のうち使えるものをすべて選んでいる。この評価で、汎用の編集モデル FLUX.2-klein-9B は600組のうち256組、42.7%で使える結果を出せなかった。判定役のモデルにも、どの種類の編集でも当てになるものはなかったという。
道具を選び、確かめる材料を添えて並べる
EditAgent は、編集の依頼を手順に分け、手順ごとに汎用の編集モデルか専用の道具へ振り分ける。論文が挙げる道具には次のようなものがある。
- マスクで範囲を決めた部分の編集と色の変更
- 物体の除去、移動、大きさの変更
- 画面全体や一部の明るさ・色の調整、画風のフィルター
- 反転、回転、傾きの補正
- 超解像を使った拡大と、画面の外側の描き足し
作った候補には、確かめるための記録を添える。拡大した部分の画像や、どこが変わったかを示す図、明るさと色の測定値だ。判定役のモデルは、それを見ながら複数の候補を一度に並べて選ぶ。判定の呼び出しは、順に手直しする方式の半分以下で済んだ。
速さと引き換えの約10倍
代わりに、時間がかかる。論文は限界の一つとして、単体の編集モデルのおよそ10倍の推論時間がかかると書く。表では、Qwen-Image-Edit-2511 を単体で使うと H100 という GPU で1.1時間分だった処理が、EditAgent では12.9時間分になった。性能が下にある編集の道具の力を超えないことも、限界として挙げている。
論文の段階で、製品への組み込みやコードの公開は示されていない。家庭のパソコンで今すぐ使える道具ではなく、AI に編集を任せるときの設計の考え方として読むのがよい。
それでも持ち帰れるものはある。拡大して境目を見る、元の画像と見比べる、色の数値を確かめる。写真を自分で直す人が普段していることを、EditAgent は判定の材料として機械に添えさせた。AI に任せる範囲が広がるほど、判断の材料を一緒に出してくれるかどうかで、確かめる手間が変わる。
確かめられる次の一点は、arXiv の同じ論文ページだ。改訂版が出たときに、コードや評価用データの公開先が加わるかどうかで、外部の人が同じ実験を試せるかが決まる。
ことば
- 超解像：低い解像度の画像から、細部を補って高い解像度の画像を作る技術。EditAgent では、画像の一部を切り出して拡大するときに使う。
- 判定役のモデル：AI が作った複数の候補を見比べ、どれが依頼に合っているかを選ぶ役のモデル。EditAgent は、判定の材料として拡大画像や変化の図を添える。
AI に写真を直させるとき、あなたは何を見て「これでいい」と決めているだろうか？
