VINS-120K: 基于大规模4K数据集的超高清图像编辑 | CVPR 2026
内容提要
该文介绍首个指令式超高分辨率图像编辑数据集VINS-120K，含12万组4K三元组，并配套评测基准VINS-4KEval。提出高频感知后适应策略，通过注意力重缩放和频域监督，将低分辨率模型扩展至4K编辑，显著提升细节保真度，优于现有方法。
延伸解读
数据构建的严谨性
VINS-120K的数据构建过程非常严谨，采用了四阶段过滤，最终仅保留前20%的样本。这种严格的质量控制确保了训练信号的稳定性和高质量，为模型性能提供了坚实基础。此外，数据来源的互补设计（25K真实视频帧对与95K外部编辑数据）兼顾了真实纹理与长尾编辑类型，避免了模型偏向少数任务。
后适应策略的实用价值
高频感知后适应策略避免了从头训练4K模型的高昂算力成本，而是将现有低分辨率模型稳定迁移至超高分辨率场景。通过注意力分数重缩放和RoPE重缩放解决长序列泛化问题，再结合频域聚焦监督增强细节保真。这种策略在Flux.1-Kontext和QwenImage-Edit-2511上均验证了有效性，为业界提供了一条经济可行的UHR编辑路径。
评测指标的权衡
论文在VINS-4KEval上使用ImageJudge、VIEScore和pFID三类指标，分别评估编辑能力和细节保真。结果显示，方法在pFID上显著优于现有方法，但编辑能力分数与Seedream 4.0相比仍有差距。这表明细节提升并未以牺牲编辑能力为代价，但商业模型在编辑指令遵循上仍具优势，用户需根据实际需求权衡。
Q&A
VINS-120K数据集是什么？包含哪些内容？
VINS-120K是首个指令式超高分辨率图像编辑数据集，包含12万组精心筛选的“指令-输入图-编辑图”三元组，覆盖4大类共13种编辑指令，平均分辨率高达4656×4138。数据来源包括25K原生超高清视频帧对和95K外部编辑数据，并通过视觉语言模型Gemini-2.5-Pro进行结构化指令生成和四阶段质量控制。
VINS-4KEval评测基准有什么特点？
VINS-4KEval是配套的评测基准，包含509个4K测试样本，覆盖与训练数据同分布的13类编辑任务，用于统一评估超高分辨率条件下的编辑能力和细节保真度。
高频感知后适应策略是如何工作的？
该策略包括两部分：一是长序列泛化，通过注意力分数重缩放和RoPE重缩放解决4K下token序列过长导致的注意力熵漂移和位置编码失稳问题；二是频域聚焦监督（FFS），在标准流匹配损失之外引入频域监督，动态加权高频约束，以恢复毛发、纹理等细节。
论文的方法在评测中表现如何？
基于Flux.1-Kontext后适应训练后，pFID从12.66降至9.15，细节保真度显著提升，优于现有主流方法；与Seedream 4.0相比，pFID更优（9.15 vs 12.82），但编辑能力分数略低。同时，ImageJudge/VIEScore基本保持同量级，说明细节提升未明显牺牲编辑能力。
为什么不能直接对4K图像进行编辑？
主流指令编辑模型大多工作在≤1024分辨率，直接处理4096px输入时会出现结构不稳定、语义偏移等问题。常见的下采样-编辑-上采样流程虽可实现4K编辑，但降采样丢失的高频信息难以在超分中真实恢复，影响细节真实性和局部编辑准确性。
VINS-120K的数据是如何构建和筛选的？
数据来源包括25K原生超高清视频帧对和95K外部编辑数据，前者保留真实纹理，后者补齐长尾编辑类型。标注使用Gemini-2.5-Pro进行“先全局再局部”的结构化推理生成指令，并加入自反思机制。质量控制采用四阶段过滤：文件有效性、图像质量、指令一致性、美学质量，最终保留前20%样本。
该方法能否泛化到其他模型？
论文在QwenImage-Edit-2511上进行了验证，无需重调即可将pFID从18.33降至11.38，表明该方法具有较好的泛化性，可迁移到其他低分辨率编辑模型。
