从计划到像素：学习开放式图像编辑的规划与编排

现代图像编辑模型虽能生成逼真结果，但在处理抽象多步指令时表现不佳。现有基于代理的方法依赖手工流程或教师模仿，限制了灵活性。本文提出一种面向长程图像编辑的体验式框架：规划器生成结构化原子分解，编排器选择工具与区域执行步骤。视觉语言评判器提供基于结果的奖励以优化执行，成功轨迹用于 refine 规划器。该方法通过紧密耦合规划与奖励驱动执行，实现了比单步或规则基线更连贯可靠的编辑效果。