驾驭 I2V 模型用于图像人机交互编辑：认知基准与代理自校正框架

现有图像编辑方法在处理复杂人机交互（HOI）时表现不佳。为此，本文引入 HOI-Edit 基准及自动化评估指标 HOI-Eval。研究发现图像到视频（I2V）模型因其时序生成能力，能提供“失败过程回放”以诊断错误。基于此，作者提出 SCPE，一种新颖的代理自校正框架。该框架通过迭代优化提示词约束 I2V 生成，利用自我反思机制修正错误，最终提取帧作为编辑结果。实验表明，SCPE 在交互性能上可与最先进模型媲美。