在您想要的地方进行编辑：区域感知适配器注入，实现无掩模本地图像编辑

大扩散 Transformer (DiT) 很好地遵循全局编辑指令，但始终将局部编辑泄漏到不相关的区域，因为联合注意架构没有提供明确的通道告诉网络在哪里应用编辑。我们引入了 AdaptEdit，这是一个联合训练的、指令和区域感知的适配器框架，可以将冻结的 DiT 改造为精确的本地编辑器，而无需修改其主干权重。每个 Transformer 块上的轻量级块适配器注入一个结构化条件流，该条件流分解要编辑的内容（指令语义）和要编辑的位置（空间掩码）；学习的 SpatialGate 将适配器信号选择性地路由到编辑区域，同时保持图像的其余部分与源几乎相同；区域感知损失将训练目标集中在变化的像素上。由于这些组件使主干网的内部表示能够端到端地感知掩模，因此与编辑器联合训练的薄型 MaskPredictor 头可以直接根据指令和源图像来确定编辑区域，从而消除部署时的任何用户掩模要求。我们评估两个互补的基准：MagicBrush（配对的 真值 目标）用于测量像素级保存和编辑准确性，以及 Emu-Edit Test（无 真值 图像，9 个不同的编辑类别）用于压力测试指令遵循和跨编辑类型的泛化。在这两个方面，AdaptEdit 都实现了最先进的结果，同时优于无掩模和 Oracle 掩模基线。七变体消融干净地隔离了每个组件的贡献。