🧠 概述

这篇文章做的是 基于示例的图像编辑：给定三张图 {a, a', b}，模型需要生成 b'，使得：

a : a' :: b : b'

也就是：从 a 到 a' 的变化，应该被类比地迁移到 b 上。

核心贡献是 LoRWeB：不是用一个固定 LoRA 去学习所有视觉类比变换，而是学习一组 LoRA basis，再用一个轻量 encoder 根据输入的类比图像对动态组合这些 LoRA，从而为每个测试样例构造一个专属的 mixed LoRA。论文认为这能更好覆盖多样化的 visual analogy space。

❓ 这篇论文想解决什么问题？

现有 image editing 很多依赖文本 prompt，但很多视觉变化很难用语言准确描述，比如：

• 把某个具体风格迁移到另一张图；
• 复制一个特殊姿态；
• 保留参考图中的某种设计细节；
• 添加某种难以描述的装饰、材质、局部结构。

Visual analogy learning 的优势是：用户不需要说清楚“怎么改”，只需要给一个 before/after 示例，模型自己理解变化关系。论文定义的任务就是根据 {a, a', b} 生成 b'，让 a → a' 的变换迁移到 b → b'。

⚠️ 现有方法的问题

之前一些方法会在 text-to-image / image-editing backbone 上训练一个单独 LoRA，让模型学会 visual analogy。但是论文认为这个设计有一个核心瓶颈：

一个固定 LoRA 很难同时覆盖非常多样的视觉变换空间。

这些变换可能包括 style transfer、object insertion、layout modification、pose transfer、background replacement 等。单 LoRA 在训练分布内可能还可以，但面对 unseen transformation 时泛化会受限。

🧩 方法核心：LoRWeB