AesFormer：将日常照片变成美丽的回忆

在日常摄影中，捕捉到的具有美学吸引力的时刻通常带有结构缺陷（例如构图、相机视角或姿势），而现有的修饰和肖像增强方法无法修复这些缺陷。我们将美学照片重建（APR）定义为通过结构重建来提高照片的美学质量，同时保留主体身份和场景语义。尽管图像编辑模型的最新进展使 APR 变得可行，但它们往往缺乏审美理解，导致编辑结果在语义上合理但在美学上却很薄弱。为了解决这个问题，我们提出了 AesFormer，这是一个两阶段框架，可将美学规划与图像编辑分离。在第一阶段，美学动作模型（AesThinker）沿着七个渐进摄影维度分析输入并输出可执行的编辑动作；我们进一步应用 GRPO-A 来鼓励对 SFT 之外的各种行动计划进行广泛探索。在第 2 阶段，动作条件编辑器 (AesEditor) 在这些动作的指导下执行结构编辑。为了支持 APR，我们构建了一个基于视频的语料库挖掘管道 (VCMP) 并构建了 AesRecon，这是一个包含 9,071 个严格对齐（差、好）图像对的基准。实验表明，AesFormer 大幅提升了 APR 性能，与 Nano Banana Pro 具有竞争力。代码可在 https://github.com/PKU-ICST-MIPL/AesFormer_ICML2026 获取。