论文导读
上海交通大学、华为等机构提出CPIC，让裁图AI跳出固定网格，允许同一照片存在多种好构图。模型在二百张测试图上给出一百九十九种裁框。团队把人类偏好、主体保留和构图规则一起用于训练，让裁框可以在好构图附近灵活调整。
好构图不一定只有一个答案
一张照片可以紧紧框住人物，也可以留出环境，把人物放在三分线附近。训练数据却常只提供少量候选框，甚至把坐标限制在预先设定的网格上。
模型若只模仿这些标注，容易学会套用有限的裁框模板。论文在200张GAIC测试图上统计，Venus只输出43种不同坐标值、66种不同框；CPIC对应为157种坐标值、199种框。这组数据说明输出更灵活，不能单独证明每个框都更好看。
裁框轻移几像素，照片通常不会突然变坏；但一旦切掉脸或破坏主体边界，质量就可能明显下降。团队用连续偏好场描述这两种变化，同时保留多个可接受的构图方向。
图：论文图1用多组裁剪例子说明同图可有多种好构图、局部移动的连续变化和截断主体后的质量下降。
先找好构图，再教模型避开坏边界
方法先从已有高分裁框里找出几种不同构图，随后在附近小幅调整位置，综合学习到的偏好评分、构图规则与主体保留情况，寻找更合适的框。
它还主动构造坏例子：切断主体、让主体贴到不自然的边缘、丢掉有价值的背景，或反复使用低质量模板。裁框离好例子近、又远离这些坏边界时，得到更高的训练奖励。
模型先学习调整后的框，再通过强化学习尝试多个裁法，用相对奖励改进。底座是Qwen3-VL-2B-Instruct；训练使用CPC与GAIC，测试另外覆盖FLMS与FCDB，检查是否只记住了训练集标注者的口味。
图片效果和用户选择分开看
论文的日落案例里，各方法保留的天空、水面与飞鸟比例不同；狐狸案例则比较主体与周围空地的关系。CPIC给出的框保留了可见主体和适当环境，这些案例展示构图差异，不代表所有照片都有相同表现。
图：论文图4比较日落飞鸟与狐狸照片在不同方法下的裁剪结果，展示背景留白和主体保留差异。
四个基准的11列指标中，作者报告CPIC有10列排在第一或第二。GAIC的部分指标更偏好匹配原有网格，CPIC并未拿下全部指标；判断裁图效果还需要同时看跨数据集表现和人类选择。
第一项用户研究允许参与者为每张图选择一到三种喜欢的结果，CPIC获得46.3%的选择率，高于比较方法中的UNIC 42.0%。这是可多选实验的选择比例，不是二选一胜率。第二项实验比较原标注与校准后的CPICD，后者获64.5%偏好，原标注为35.5%。
交互裁图应用：用一句反馈继续改裁框
团队还在附录展示了交互裁图：第一次裁剪后，用户要求完全排除最左侧人物，并紧框三位乐手，模型再次调整画面。另一个例子要求用两句话说明构图理由，回答提到孩子剪影、围栏和明暗关系。
图：论文图5上方展示剪影照片的裁剪与解释，下方按用户反馈排除左侧人物并重新框住三位乐手。
这类展示让裁图从一次输出变成可修正的过程。输入仍是原照片，生成的是裁框与可选解释，没有凭空补出被裁掉的图像内容。
CPICD则给研究者提供另一套经连续调整的测试标注。作者的办法依赖已有评分模型、目标检测和构图约束，审美偏好仍有主观性。后续工具若接入这种反馈，仍需允许用户保留不同构图，而不能把单一评分当成唯一的摄影标准。
参考资料
https://arxiv.org/abs/2610.00582
https://arxiv.org/html/2610.00582
