微软擦除基础模型LensErase:一图一掩码,万物皆可擦

图像编辑里最不起眼却最难做干净的一步,是「擦除」。生成模型越来越擅长往画面里加东西,但要把一个物体连同它的影子、反光一起抹掉,再把露出来的背景补得天衣无缝,同时一丝一毫不动周围的内容——业界一直缺一个统一方案。10 月 13 日,微软联合上海交大、南开大学、中科大、悉尼大学、北京大学等机构的研究团队在 arXiv 发布 LensErase,给出了「擦除基础模型」这个答案(arXiv:2610.18072)。

一张图加一个掩码,不用写提示词

LensErase 把交互压到最简:输入图像和选区掩码,不需要任何文字描述。它覆盖的场景包括普通物体、图内文字、水印、多层海报,支持一次处理多个目标与半透明内容,并连同阴影、反射等「关联视觉效果」一起清除——这正是传统修复工具最容易露馅的地方。

1.01 亿配对数据打底,强化学习收尾

要让模型「什么都擦得掉」,团队先造了数据:LensErase-100M 包含 1.01 亿组「源图-掩码-目标图」配对样本,横跨物体、水印、大掩码、视觉文字与海报场景。底座选了自家的文生图模型 Lens,把它的生成先验迁移到掩码擦除任务上;为了让掩码信息进入网络,团队提出 Mask-Aware RoPE——一种 3D 旋转位置编码,直接把掩码注入源图 token,不必额外引入一串掩码 token。之后先做监督微调,再用「契约引导、区域感知奖励」的强化学习精调;推理阶段还有 TraceFusion,利用图像残差识别有效编辑区域,区域外内容原样保留。

六个公开基准加自建 500 案例验证

评测做了双重设计:六个公开基准加自建的 LensErase-Bench(500 个案例,无需配对真值),既看基于参考图的客观指标,也用视觉语言模型做无参考评估;基准拆出 Removal、Inpainting、Preservation、Cleanliness 四个维度,外加总分与 HiFi Removal。论文称在两组评测中均取得大幅提升,项目页还给出了与 GPT-Image 2.5、Flux2-Erase 的直观对比。代码仓库已开放(GitHub),MIT 许可,当前标注「Code coming soon」,模型权重尚未上架,Hugging Face 上引用该论文的模型数仍为 0。

所以呢

当「生成」被基础模型标准化之后,「擦除」正在成为下一个被标准化的编辑原语。值得玩味的是,LensErase 把水印也列为正式支持对象:一边是 OpenAI、Anthropic 忙着给 AI 生成内容嵌水印,一边是擦除模型顺手把水印清除做成了基础能力。这场猫鼠游戏的技术天平往哪边倾斜,值得持续盯着。