Emu Edit एक बहु-कार्य छवि संपादन मॉडल है जो पहचान और पीढ़ी कार्यों के माध्यम से सटीक छवि संपादन को पूरा करता है और इस क्षेत्र में नवीनतम तकनीकी सफलता हासिल की है। Emu Edit की संरचना बहु-कार्य सीखने के लिए अनुकूलित है और कई कार्यों पर प्रशिक्षित है, जिसमें क्षेत्र-आधारित संपादन, मुक्त-रूप संपादन और कंप्यूटर विजन कार्य जैसे पता लगाना और विभाजन शामिल हैं। इसके अतिरिक्त, इन कई कार्यों को अधिक प्रभावी ढंग से संभालने के लिए, हमने सीखे गए कार्य एम्बेडिंग की अवधारणा पेश की है, जो संपादन निर्देशों को सही ढंग से निष्पादित करने के लिए पीढ़ी प्रक्रिया को निर्देशित करने के लिए उपयोग की जाती है। हमारे मॉडल को बहु-कार्य प्रशिक्षण और सीखे गए कार्य एम्बेडिंग के उपयोग से संपादन निर्देशों को सटीक रूप से निष्पादित करने की क्षमता में उल्लेखनीय वृद्धि मिलती है। Emu Edit अनदेखे कार्यों के लिए तेजी से अनुकूलन का भी समर्थन करता है, जो कम-नमूना सीखने को प्राप्त करने के लिए कार्य उलट के माध्यम से होता है। इस प्रक्रिया में, हम मॉडल वज़न को अपरिवर्तित रखते हैं, केवल नए कार्यों के अनुकूल होने के लिए कार्य एम्बेडिंग को अपडेट करते हैं। हमारे प्रयोगों से पता चलता है कि Emu Edit नए कार्यों, जैसे सुपर-रिज़ॉल्यूशन, आउटलाइन डिटेक्शन आदि के लिए तेज़ी से अनुकूल हो सकता है। यह सीमित लेबल वाले नमूनों या सीमित गणना बजट के साथ कार्य उलट का उपयोग करके Emu Edit का उपयोग करने के लिए एक विशेष लाभ प्रदान करता है। निर्देश-आधारित छवि संपादन मॉडल के सख्त और वैध मूल्यांकन का समर्थन करने के लिए, हमने एक नया बेंचमार्क डेटासेट भी एकत्रित और सार्वजनिक रूप से जारी किया है जिसमें सात अलग-अलग छवि संपादन कार्य शामिल हैं: पृष्ठभूमि संशोधन (पृष्ठभूमि), वैश्विक छवि परिवर्तन (वैश्विक), शैली संशोधन (शैली), ऑब्जेक्ट हटाना (हटाना), ऑब्जेक्ट जोड़ना (जोड़ना), स्थानीय संशोधन (स्थानीय) और रंग/ बनावट संशोधन (बनावट)। इसके अतिरिक्त, Emu Edit के साथ सही तुलना करने के लिए, हम डेटासेट पर Emu Edit के जेनरेटिव परिणाम भी साझा करते हैं। Emu Edit 2023 Meta सभी कॉपीराइट सुरक्षित रखता है।