CVPR 2026 | 拒绝堆算力，vivo开源首个4K超高清编辑数据集VINS-120K

针对4K图像编辑中数据匮乏与细节建模的难题，vivo发布首个指令式超高分辨率编辑数据集 VINS-120K（含12万组精选4K三元组）。此外，还提出了一种高频感知适配策略，将预训练的低分辨率模型有效扩展至超高分辨率（UHR）领域，并配套构建了评测基准 VINS-4KEval。显著提升图像编辑细节与纹理真实感。

论文名称： VINS-120K: Ultra High-Resolution Image Editing with A Large-Scale Dataset 论文链接： https://arxiv.org/pdf/2605.23518 代码仓库： https://huggingface.co/datasets/openvivo/VINS-120K

当前主流指令编辑模型大多工作在 <=1024 分辨率。在手机拍摄图像已迈入 4K 时代的背景下，直接处理 4096x4096 输入时，常见退化包括结构不稳定、语义偏移，难以满足电影工业修帧、商业广告设计、社交媒体分发等真实场景对编辑精准、细节真实的双重要求。

直观的替代流程是 “下采样 -> 编辑 -> 上采样”。该流程虽可运行，但存在明确上限：降采样阶段丢失的高频信息很难在后续超分中被真实恢复，最终影响细节真实性，往往还伴随着指令遵循度下降的问题。

论文将 UHR 编辑瓶颈归纳以下两点：

• 缺少大规模、高质量 UHR 指令编辑数据。

• NHR 预训练模型在长序列与高频细节建模上不稳定。

二、数据支撑：VINS-120K 与 VINS-4KEval

为了填平底层架构与 4K 需求之间的鸿沟，论文正式提出了 VINS-120K ，它包含 12 万组 精心筛选的 “指令-输入图-编辑图” 三元组，横跨 4 大类共 13 种编辑类型，平均分辨率高达 4656 x 4138。

图2：VINS-120K的编辑类型分布与可视化

• 
  

  在数据源上采用了互补制备策略：25K 原生超高清视频帧对 + 95K 外部编辑数据补充。前者用于从真实世界保留精细纹理与自然变化，后者用于补齐难以真实获取的长尾编辑类型，避免模型只擅长少数任务。

• 在标注上引入了视觉语言模型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，把图像变化转成可执行、可评估的编辑指令。

• 在质量控制上，采用严格的四阶段过滤：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，确保训练信号稳定且高质量。

评测基准VINS-4KEval 含 509 个 4K 测试样本，覆盖同分布的 13 类编辑任务，用于统一评估 UHR 条件下的编辑能力和细节保真。

三、核心方法：高频感知后适应策略

相比于耗费大量算力重新训练 4K 编辑基座模型，论文基于 VINS-120K 提出了一种高频感知后适应策略，将现有 NHR 编辑器稳定迁移到 UHR场景。方法主要针对两大挑战：

• 4K 场景下 token 序列长度远超预训练设置，注意力和位置编码容易失稳。

• 常规训练目标对高频细节关注不够，4K 场景下的精细纹理的保留与生成仍有较大提升空间。

分辨率从 1K 升到 4K 后，token 序列显著变长，常见问题是注意力分布出现“熵漂移”（过度平滑、目标区域不聚焦） 以及 RoPE 外推失稳带来的语义漂移。论文用两步修正：

1. 注意力分数重缩放：引入与分辨率挂钩的温度参数 重新缩放注意力分数（Rescaling Attention Score），让长序列场景下的注意力重新变得有区分度，提升目标区域定位能力。

2. RoPE 重缩放：将更长序列的位置编码压缩回预训练相对熟悉的范围（缩放频率基数 ），降低长上下文外推失效风险。

3.2 频域聚焦监督（Frequency-Focused Supervision, FFS）

仅有长序列修正尚不足以保证 UHR 编辑的细节保真度。论文在标准流匹配损失之外引入频域监督：

其核心在于动态加权：早期去噪阶段抑制高频噪声放大，后期逐步增强高频约束，以恢复毛发、纹理、边缘等细节。 代表离散傅里叶变换后的频谱差异。

四、实验评估

论文基于 Flux.1-Kontext-dev 在 VINS-120K 上进行后适应训练。与现有的主流开源模型（Step1X-Edit, Bagel, Flux.1-Kontext-dev等）以及支持 4K 的闭源商业模型 Seedream 4.0 在 VINS-4KEval 进行系统比较。主评测采用 ImageJudge、VIEScore 和 pFID 三类指标，主要评估编辑能力和细节保真度。核心结果可以概括为三点：

• Flux.1-Kontext-dev 适配后 pFID: 12.66 -> 9.15，细节保真度显著增强，明显优于现有主流方法。

• ImageJudge / VIEScore 评估的编辑能力基本持平，说明细节提升不是靠明显牺牲编辑能力换来的。

• 与 Seedream 4.0 对比时，本文方法在 pFID 上更优（9.15 vs 12.82），但编辑能力分数上 Seedream 仍更高。

在视觉对比上，论文的模型在全局和局部编辑任务中，都展现了更好的边缘清晰度和细节保真度：

图4：论文的方法与主流基线的定性比较

与闭源模型 Seedream 4.0 的可视化对比：

图5：论文的方法与Seedream 4.0的定性比较

消融结果说明最终收益来自“数据构建 + 方法设计”的协同：

• 从可视化中可以发现，注意力分数重缩放（attention score rescaling）能够使注意力图在目标编辑区域上表现出更具判别性的响应，增强语义遵循度；RoPE重缩放能明显缓解语义漂移和局部重复的现象。去除后适应会出现明显整体退化，说明 UHR 迁移不能靠简单放大分辨率。

• 去掉数据集的制备和严格筛选，整体性能也会下降，说明数据质量和任务覆盖同样关键。

• 只用真实视频帧对会得到更低 pFID，但编辑能力略弱，反映出真实性与编辑任务覆盖度之间的权衡需求。

泛化方面也给出了积极信号在 QwenImage-Edit-2511 上无需重调即可把 pFID 从 18.33 降到 11.38，且与基线保持了相当的编辑能力，定性结果如下：

图8：QwenImage-Edit-2511在VINS-120K上进行后适应训练的定性结果 五、总结

VINS-120K 与高频感知后适配策略的提出，有效填补了 AI 图像编辑模型与现代高清显示/采集设备之间的鸿沟，为现有 NHR 编辑模型提供了一条更具落地价值的 UHR 迁移路径。从此，对超高清图像进行编辑拥有了无需画质的降级的可行方案。

Illustration From IconScout By IconScout Store

-The End-

本周上新！

扫码观看！

“AI技术流”原创投稿计划

TechBeat是由将门创投建立的AI学习社区（www.techbeat.net）。社区上线700+期talk视频，3000+篇技术干货文章，方向覆盖CV/NLP/ML/Robotis等；每月定期举办顶会及其他线上交流活动，不定期举办技术人线下聚会交流活动。我们正在努力成为AI人才喜爱的高质量、知识型交流平台，希望为AI人才打造更专业的服务和体验，加速并陪伴其成长。

投稿内容

// 最新技术解读/系统性知识分享 //

// 前沿资讯解说/心得经历讲述 //

投稿须知

稿件需要为原创文章，并标明作者信息。

我们会选择部分在深度技术解析及科研心得方向，对用户启发更大的文章，做原创性内容奖励

投稿方式

发送邮件到

yimingzhang@thejiangmen.com

或添加工作人员微信（aceyiming）投稿，沟通投稿详情

关于我“门”

将门是一家以专注于数智核心科技领域的新型创投机构，也是北京市标杆型孵化器。 公司致力于通过连接技术与商业，发掘和培育具有全球影响力的科技创新企业，推动企业创新发展与产业升级。

将门成立于2015年底，创始团队由微软创投在中国的创始团队原班人马构建而成，曾为微软优选和深度孵化了126家创新的技术型创业公司。

如果您是技术领域的初创企业，不仅想获得投资，还希望获得一系列持续性、有价值的投后服务，欢迎发送或者推荐项目给我“门”:

bp@thejiangmen.com

点击右上角，把文章分享到朋友圈