图像编辑是生成模型落地最难的场景之一。不是因为模型不够强，而是因为局部编辑和全局生成天然存在张力：你希望模型能精确替换画面中的一个物体，又不希望它改变整体风格和背景。
2026 年 6 月末，来自 arXiv 的新论文 DanceOPD（arXiv:2606.27377）提出了一个有趣的解法：在线策略生成场蒸馏（On-Policy Generative Field Distillation）。它的核心思路是，不从头训练一个多任务编辑模型，而是把局部编辑能力像技能一样蒸馏进一个已有的流匹配生成模型。
实验结果显示：在 GenEval 基准的局部+全局组合编辑任务上，DanceOPD 超越最优组合基线 16.1%，在局部编辑基线上提升 7.9%，且 GenEval 各分项都超越了对比的组合基线。
论文核心贡献
DanceOPD 的技术贡献可以归纳为三点：
1. 提出在线策略蒸馏框架用于生成场
区别于离线蒸馏，DanceOPD 在训练过程中让学生模型（目标生成场模型）持续与教师模型（局部编辑专家）交互。学生模型的采样输出会实时作为教师的输入，生成对齐信号，再反馈更新学生。这种闭环方式避免了协变量偏移（covariate shift），让学生模型在训练分布和推理分布上保持一致。
2. 局部与全局编辑的融合训练
论文设计了专门的编辑融合目标，在流匹配的速度场表示层面对局部和全局编辑进行对齐，而不是在像素空间做约束。这让模型能同时满足：
- 局部编辑的精确性（修改区域的语义一致）
- 全局生成的多样性（未修改区域的场景身份保留）
3. 同物体多样性变换
在 same-object 编辑场景下（对同一物体做多种变换），DanceOPD 通过在生成场中引入物体级别的条件控制，让模型能对同一目标执行风格迁移、颜色变换、纹理替换等不同操作，且每次操作不影响物体的几何形状和位置。
流匹配与生成场基础
要理解 DanceOPD，需要先简单了解流匹配（Flow Matching）框架。
传统扩散模型学习的是噪声预测函数，在离散时间步上迭代去噪。流匹配将这个过程连续化：定义一个从噪声分布到数据分布的速度场 v(x, t)，训练目标是让模型预测的速度场和真实轨迹对齐。
在这个框架下，“生成场”指的是模型学到的这个连续速度场。DanceOPD 的关键洞察是：在速度场这个表示层面进行蒸馏，比在最终图像上做约束更有效——因为速度场包含了生成过程的结构信息，而最终图像只是一个终态快照。
在线策略蒸馏的工作流程
DanceOPD 的训练流程可以分为三个阶段：
阶段一：局部编辑教师准备
选择或训练一个擅长局部编辑的专家模型作为教师。这可以是任意现有的局部编辑模型，DanceOPD 对教师架构没有特殊要求。
阶段二：在线策略采样
在每个训练迭代中：
- 学生模型对当前 batch 的输入图像做推理，得到候选编辑结果
- 把学生的输出连同原始输入送给教师模型，让教师生成对齐目标
- 计算学生在生成场层面的蒸馏损失
- 反向传播更新学生模型参数
训练循环伪代码：
for batch in train_loader:
x_src = batch["source_images"]
edit_instr = batch["edit_instructions"]
# 学生前向推理（生成场预测）
v_student = student_model(x_src, edit_instr)
x_candidate = flow_match_sample(v_student)
# 教师生成对齐目标（在线）
v_teacher_target = teacher_model.get_velocity(x_candidate, x_src)
# 生成场蒸馏损失
loss_distill = mse(v_student, v_teacher_target)
# 全局一致性损失（保留生成能力）
loss_global = geneval_loss(x_candidate, x_src)
loss = loss_distill + lambda * loss_global
loss.backward()
optimizer.step()阶段三：局部与全局融合评估
训练完成后，在 GenEval 基准上同时评测局部编辑精度和全局一致性。DanceOPD 的训练进展展示了一个清晰的规律：学生模型在训练初期快速习得局部编辑能力，在中期出现短暂的全局一致性下降，最终在后期两者趋于稳定。
实验结果分析
GenEval 基准
GenEval 是评测生成模型多维能力的综合基准，涵盖：
- 文本对齐（text-image alignment）
- 局部编辑精度（local edit accuracy）
- 全局场景一致性（global scene consistency）
- 组合编辑（compositional editing）
DanceOPD 的关键数字：
| 对比方法 | GenEval 组合编辑 | 局部编辑分项 |
|---|---|---|
| 局部编辑基线 | — | 基准 |
| 最优组合基线 | 基准 | — |
| DanceOPD | +16.1% vs 组合基线 | +7.9% vs 局部基线 |
Same-Object 编辑
在同物体多变换场景下（论文 Figure 1 展示了四种不同变换），DanceOPD 在保留物体几何形状的同时实现了风格、颜色、纹理的精确控制，优于现有的 ControlNet 和 InstructPix2Pix 等方法。
训练收敛性
论文展示了完整的训练进展曲线，学生模型从初始（仅有全局生成能力）到最终（局部+全局融合）的能力演变过程清晰可见，验证了在线策略蒸馏的稳定性。
工程意义
对于需要在生产环境部署图像编辑功能的团队，DanceOPD 的方法有几个值得关注的点：
低成本能力扩展：不需要从头训练一个专门的编辑模型，而是把局部编辑能力蒸馏进现有的基础生成模型。如果你已经有一个部署好的流匹配生成模型，理论上可以用 DanceOPD 的框架为它扩展局部编辑能力，而无需替换整个模型。
教师无关性：框架对教师模型没有特殊要求，可以用任意现有的局部编辑专家模型。这意味着随着局部编辑方法的进步，可以轻松更换教师来获得更好的学生模型。
生成场对齐的优势：在速度场层面而非图像层面做对齐，能保留更多的生成结构信息，减少蒸馏过程中的信息损失。这对于需要高质量输出的场景（如专业设计工具）尤为重要。
局限性
论文本身也指出了几个尚待解决的问题：
- 训练成本：在线策略蒸馏需要在每个迭代中运行教师模型，计算开销是离线蒸馏的 2-3 倍
- 教师质量依赖：学生的局部编辑能力上限受教师限制，如果教师模型在某类编辑上性能差，学生也无法突破
- 多物体场景：当画面中有多个需要独立编辑的物体时，当前版本的物体级控制还有改进空间
代码与复现
论文代码尚未开源，项目主页（danceopd.github.io）显示”Code will be added once it is ready”。从 39 页的 technical report 规模来看，完整的实验代码应该包含训练脚本、评测工具和预训练权重。
arXiv 链接：arXiv:2606.27377
项目主页：danceopd.github.io
小结
DanceOPD 提供了一个优雅的视角：不把局部编辑和全局生成视为对立的能力，而是通过在线策略蒸馏让生成场模型同时掌握两者。GenEval 上 16.1% 的提升和稳定的训练收敛曲线都支持这个思路的有效性。
更重要的是，这个框架指出了一条工程上可行的路径：向已有生成模型注入新的编辑技能，而不是为每种编辑需求训练独立的模型。对于图像编辑工具链的工程团队，代码开源后值得重点关注。