小红书开源FireRed-Image-Edit 1。1图像编辑模型：30GB显存4。5秒完成老照片修复与虚拟试穿

本文介绍小红书开源的通用图像编辑模型FireRed-Image-Edit 1.1，该模型基于1.6亿训练样本，支持通过文字指令精准编辑图片，具备老照片修复、虚拟试穿、多元素融合等功能。模型在多项基准测试中超越开源方案，编辑时仅需30GB显存和约4.5秒耗时，适合AI开发者、图像处理研究者和内容创作者参考与应用。

Tags:

• AI图像编辑
• 开源模型
• FireRed-Image-Edit
• 老照片修复
• 虚拟试穿

点击下方名片关注AIGC Studio公众号！获取最新AI前沿应用/AIGC实践教程！

扫描下方二维码，加入AIGC Studio知识星球！可以获得最新AI前沿应用/AIGC实践教程/大厂面试经验/算法刷题和IT各学科入门到精通学习资料！学习/科研/工作/副业，强烈推荐！

一句话总结：输入一张图片+一段文字指令 → 精准编辑图像，FireRed-Image-Edit 1.0 用1.6亿训练样本+多阶段训练策略，在多个基准测试中超越现有开源方案，甚至媲美闭源商业系统。

图像编辑是AIGC领域的核心应用场景之一，从简单的物体移除到复杂的风格迁移，用户需求五花八门。但当前开源工具普遍存在这些问题：

• 编辑精度不够，指令理解偏差大
• 编辑后图像质量下降，出现伪影或失真
• 文本编辑能力弱，字体样式难以保持
• 多元素融合困难，编辑结果不自然指令式编辑正是为解决这些问题而生——用户只需描述"想要什么"，模型自动完成编辑，无需复杂的参数调整。今天介绍的由小红书开源的 FireRed-Image-Edit 1.0 是一款通用图像编辑模型，可在各种场景下提供高保真度和一致的编辑效果。该模型构建了1.6B规模训练语料，提出多阶段训练框架，在REDEdit-Bench等基准测试中全面超越现有开源方案，成为图像编辑领域的新标杆。

unsetunset效果展示unsetunset

主要特点

• 强大的编辑性能：FireRed-Image-Edit 提供领先的开源结果，具有准确的指令遵循性、高图像质量和一致的视觉连贯性。
• 原生编辑功能：直接基于文本到图像的基础模型构建，并具备编辑功能。
• 文本样式保留：高度保真地保持文本样式，性能可与闭源解决方案相媲美。
• 照片修复：高质量的老照片修复和增强。
• 多图编辑：灵活编辑多张图像，例如虚拟试穿。

unsetunset相关链接unsetunset

• 源码：https://github.com/FireRedTeam/FireRed-Image-Edit
• 论文：https://arxiv.org/abs/2602.13344
• 模型：https://www.modelscope.cn/models/FireRedTeam/FireRed-Image-Edit-1.1
• 体验：https://www.modelscope.cn/studios/FireRedTeam/FireRed-Image-Edit-1.1

unsetunset论文介绍unsetunset

FireRed-Image-Edit-1.1 是小红书 Super Intelligence 团队在图像生成与编辑领域的又一力作。该模型在继承前作优秀基因的基础上，通过一系列技术创新和优化，实现了在处理ID一致性编辑、多元素融合、人像美妆、字体风格参考等方面的显著提升。同时，模型还支持训练、部署优化全家桶，仅需4.5秒耗时和30GB显存即可完成高质量图像编辑任务。

unsetunset方法概述unsetunset

架构概述。 数据管道始于桶采样器，它根据任务类别和宽高比对输入序列进行组织，从而高效地处理可变分辨率。接下来是整理/打乱/删除机制，该机制通过随机排列或省略图形标识符来增强文本提示，以提高鲁棒性。核心模型采用 MMDiT 模块处理多模态特征，其中视觉输入由 VAE 编码器编码，多模态条件（参考图像和文本指令）由 Qwen VL 处理。为了确保高保真度生成，训练过程引入了一致性/相似性损失；该机制从预测图像和真实图像中提取感兴趣区域 (RoI)，并通过共享图像编码器来最小化身份差异。

数据引擎概述。数据生成引擎通过三种前向构建策略生成成对的图像编辑样本。

1. 指令控制：利用基于 VLM 发现和辅助元数据的指令模板和编辑目标词典，合成专家模型。
2. 结构化控制：利用从感知模块提取的结构先验信息（例如掩码和姿态关键点），以精确的控制信号引导专家模型。
3. 无模型模板合成：包含预定义的 3D 模板、布局模板和算法滤波器等方法，以实现可控且确定性的生成。该流程设计为可迭代，支持复杂的多步骤编辑。

unsetunset实验unsetunset

• ID一致性：在复杂编辑任务中，人物主体识别准确率显著提升。
• 编辑准确性：多元素融合、人像美妆等任务中，编辑结果与用户指令高度一致。
• 视觉效果：编辑后的图像在细节保留、色彩还原等方面表现出色，视觉效果自然逼真。

unsetunset结论unsetunset

FireRed-Image-Edit-1.1 通过一系列技术创新和优化，实现了在图像编辑领域的重大突破。该模型不仅在编辑性能上显著提升，更在工程优化和T2I骨干网络原生编辑能力方面展现出强大实力。其开源的资源和完善的技术支持，为图像编辑领域的研究者和开发者提供了宝贵的学习和参考平台。未来，随着技术的不断进步和应用场景的持续拓展，FireRed-Image-Edit系列模型有望在图像编辑领域发挥更加重要的作用。

感谢你看到这里，添加小助手 AIGC_Tech 加入官方 AIGC读者交流群，下方扫码加入 AIGC Studio 星球，获取前沿AI应用、AIGC实践教程、大厂面试经验、AI学习路线以及IT类入门到精通学习资料等，欢迎一起交流学习💗～