AI 修图终于“指哪打哪”：SpatialEdit 实现精准空间操控，告别画面扭曲

现在的 AI 画图工具，大多有个“通病”：你让它“把车往左挪一点”，它可能给你换了一辆车；你让它“旋转 30 度”，它可能直接把车轮画歪了。

它们懂语义，但不懂空间。

最近，由香港大学、京东探索研究院、清华大学等团队联合推出的 SpatialEdit，试图解决这个问题。它不再只是“大概改一改”，而是真正实现了“指哪改哪”的精准空间操控。

• GitHub：https://github.com/EasonXiao-888/SpatialEdit
• 模型：https://huggingface.co/EasonXiao-888/SpatialEdit-16B

什么是 SpatialEdit？

简单来说，它是一个懂几何、懂空间的图像编辑模型。

不同于传统 AI 只能换个风格或增减物体，SpatialEdit 能精准执行包含空间几何信息的指令。比如：

• “把这只猫移到红色框内。”
• “将汽车旋转到右后方视角。”
• “相机向左旋转 90 度。”

它不仅听得懂，还能做得准——物体位置、大小、角度严丝合缝，背景不穿帮，画面不扭曲。

核心能力：物体与相机的双重掌控

SpatialEdit 主要解决两大类难题：

1. 物体级操控：
   • 移动：精准定位，想放哪就放哪。
   • 旋转：支持前、后、左、右等 8 个方向的视角转换。
   • 缩放：调整大小而不破坏背景结构。
2. 相机级操控：
   • 视角变换：左右偏航、上下俯仰，模拟真实摄影机的运动。
   • 变焦：放大或缩小画面，保持场景透视自然。

最重要的是保真。它在修改空间关系的同时，牢牢锁住物体的外观特征和背景的完整性，避免了传统方法中常见的“液化感”或“鬼影”。

它是怎么做到的？

SpatialEdit 的核心逻辑可以概括为三步：

1. 建立 3D 认知：通过海量合成的 3D 数据训练，让模型理解物体在三维空间中的位置、角度和透视关系。
2. 精准指令解析：将自然语言中的空间指令（如“左转 30 度”）转化为具体的几何约束。
3. 级联生成：在严格的空间约束下生成新图像，确保每一步变化都符合物理规律。

为了验证效果，团队还发布了包含 50 万训练数据的专用数据集和评测基准，并开源了 16B 参数的大模型。测试显示，其在空间编辑的准确性上全面超越现有主流模型，误差降至最低。

谁能从中受益？

• 电商卖家：无需重新拍摄，一键生成商品的多角度展示图，大幅降低拍摄成本。
• 平面设计师：精准调整元素位置和视角，告别手动拖拽对齐的繁琐。
• 影视后期：静态素材快速转换视角，辅助分镜设计和构图调整。
• 3D 创作者：从单张图片生成多视角视图，加速 3D 建模流程。
• 普通用户：修图时想把人物移得更居中、把风景照调出更广的视角，现在只需一句话。