AI图像编辑与生成，正迎来一场体验革命。

香港中文大学，香港科技大学，香港大学和字节跳动共同研发的系统DreamOmni2，实现图像编辑与生成领域最新SOTA。

指令遵循能力全面领先，真正做到指哪打哪。

他们推出的DreamOmni2系统，让AI真正学会了同时理解语言指令和参考图像。

文本+图片的多模态指令，精准解决了过去模型处理抽象概念（如风格，材质，光照）时的无力感，让创作变得像和一位心领神会的搭档对话一样自然。

DreamOmni2用三步造出高质量数据

要教会AI理解文本+图片的复杂指令，最大的难题是缺乏合适的训练数据。

对于图像编辑任务，过去的数据集通常只包含指令，输入图，输出图这样的三元组。它们无法告诉模型如何从一张独立的参考图中提取某个元素或风格，并应用到另一张图上。

对于图像生成任务，现有的数据构建方法，比如UNO，依赖分割模型来抠图，以生成参考图像。这种方法处理一个具体的物体还行，但一旦遇到抽象的属性，比如一种光影风格，或者被遮挡的物体，就无能为力了。

没有好的教材，AI自然学不会高阶的创作技巧。

DreamOmni2的第一个核心突破，就是创造了一套全新的三阶段流程，专门用来生产这种高质量的多模态指令训练数据。

第一阶段，是训练一个提取模型。

这个阶段的目标，是教会AI从一张复杂的图像中，精准地提取出某个具体的物体，或某种抽象的属性。

研究团队设计了一种特征混合方案。简单来说，它通过一个双分支结构，一边生成源图像，一边生成目标图像，并在过程中巧妙地混合两者的特征。

这种方法相比传统的数据生成方式，有三个明显的好处：它不降低图像的分辨率；不会因为图像拼接产生内容混叠；生成的数据质量和准确性都更高。

第二阶段，是创造多模态指令编辑数据。

有了第一阶段训练好的提取模型，事情就变得简单了。

研究团队先用文本到图像（T2I）模型和真实图像，创建一批高质量的目标图像。

然后，让提取模型从这些目标图像中，根据关键词（比如一只猫或复古风格）提取出物体或属性，生成一张参考图像。

接着，再用一个基于指令的编辑模型，对目标图像进行修改，比如把猫去掉，或者改变风格，从而生成一张源图像。

最后，用大型语言模型（LLM）根据这个过程，自动生成一句编辑指令，比如把参考图里的猫加到源图像中。

这样，一个包含源图像，指令，参考图像，目标图像的完整训练样本就诞生了。

第三阶段，是创造多模态指令生成数据。

这个阶段在第二阶段的基础上更进一步。

研究团队再次使用第一阶段的提取模型，从第二阶段生成的源图像中，再提取出一些物体，创造出更多的参考图像。

然后把这些新参考图和已有的参考图组合起来。

最终，就形成了一个包含多张参考图，一条指令和一张目标图的训练数据集。这个数据集让模型能够学习处理更复杂的，涉及1~5个参考图像的生成任务。

通过这三个步骤，DreamOmni2为自己量身打造了一套高质量的数据集，解决了多模态指令训练的根本难题。

模型学会了看图说话再动手

有了数据，还需要一个能理解这些数据的模型框架。

传统的图像生成模型，比如FLUX-Kontext，一次只能处理一张输入图。要让它理解多张参考图，就需要一些巧妙的设计。

DreamOmni2提出了索引编码和位置编码偏移方案。

当我们在指令中说图1，图2时，模型需要准确知道哪张是图1，哪张是图2。研究团队通过引入索引编码，给每张输入的参考图贴上一个独一无二的标签，解决了这个问题。

同时，他们发现，多张图片输入时，不能让它们的位置信息混在一起。就像排队一样，后一张图片的位置信息，需要根据前面图片的大小进行偏移，留出足够的空间。这个小小的调整，有效避免了生成结果中出现内容复制粘贴或者像素混淆的现象。

另一个关键创新，是视觉语言模型（VLM）和生成模型的联合训练。

现实世界中，用户输入的指令往往是随意的，甚至不合逻辑的。而模型训练时用的指令却是格式规整的。这种鸿沟会影响模型的理解能力。

DreamOmni2的解法是，引入一个VLM（视觉语言模型），比如Qwen2.5-VL 7B模型，让它充当翻译官。

这个翻译官会先把用户乱七八糟的指令，转换成模型能理解的，结构化的标准格式，然后再交给后面的生成模型去执行。

对于编辑任务，这个标准格式会结合用户指令和对图像的精细化描述。对于生成任务，则直接输出精细化的图像描述。

通过这种联合训练，生成模型能更好地领会用户的真实意图。

值得一提的是，研究团队使用LoRA的轻量化微调技术。这意味着DreamOmni2在学会新本领（处理多模态指令）的同时，完整保留了基础模型原有的指令编辑和文生图能力。

当系统检测到有参考图输入时，新的LoRA模块会自动激活；没有参考图时，它就和原来的模型一样工作，实现了无缝集成。

为了解决评测问题，研究团队还专门构建了一个全新的基准测试集，DreamOmni2基准。它由真实图像组成，全面覆盖了抽象属性和具体物体的生成与编辑场景，为该领域的研究提供了统一的评判标准。

实际效果超越了商业模型

在多模态指令编辑任务上，无论是人工评估，还是由Gemini 2.5和Doubao 1.6这样的大模型进行评估，DreamOmni2的性能都超越了所有参与比较的开源模型，并且非常接近顶尖的商业模型。

事实上，即便是GPT-4o和谷歌的Nano Banana，在编辑属性时也常常会引入一些意想不到的变化，或者出现与参考图不一致的地方。GPT-4o的编辑结果甚至还有些泛黄。这些细微的瑕疵，VLM有时都难以察觉。

从上图的视觉对比中可以直观地看到，DreamOmni2生成的编辑结果更准确，与参考图的一致性也更好。

其他开源模型在处理抽象属性时显得力不从心。即使是在它们擅长的具体物体生成上，DreamOmni2在指令遵循和物体一致性方面也更胜一筹。

在更复杂的多模态指令生成任务上，DreamOmni2的表现同样出色。

数据显示，它在人工评估和模型评估中，优于商业模型Nano Banana，并取得了与GPT-4o相当的成绩。相比其他专注于组合具体物体的开源模型，DreamOmni2在准确性和一致性上优势明显。

DreamOmni2通过一系列技术创新，真正实现了在多模态指令编辑与生成任务上的突破，为AI创作提供了全新的可能性。

参考资料：

https://github.com/dvlab-research/DreamOmni2

https://arxiv.org/html/2510.06679v1

https://huggingface.co/datasets/xiabs/DreamOmni2Bench

https://huggingface.co/xiabs/DreamOmni2

免责声明：本文来自AIGC开放社区客户端，不代表超天才网的观点和立场。文章及图片来源网络，版权归作者所有，如有投诉请联系删除。