TextWand：场景文本编辑的统一框架

我们提出了 TextWand，这是一个通用框架，它将场景文本删除、生成和替换统一到一个模型中。通过将复杂的编辑任务分解为渲染和擦除的原子基元，TextWand 实现了对文本外观和背景完整性的精确控制。具体来说，我们引入了一种新颖的设计，即覆盖参考位置编码（ORPE），以强制执行像素级布局保真度和示例驱动的样式控制，以及新的策略，即区域自适应抑制（RAS），以确保干净的文本擦除。为了解决现有单任务数据集中缺乏通用场景文本编辑的综合基准的问题，我们构建了 TextWand-Bench。大量实验表明，TextWand 在场景文本删除、生成和替换任务中提供卓越的文本内容准确性、布局和样式一致性以及整体图像质量，优于现有领先的开源和闭源模型。