美圖影像研究院於 ICML 2026 發表 Self-Prompting 場景文本編輯方案，已應用於美圖秀秀「無痕改字」

美圖影像研究院（MT Lab）提出面向開放詞彙的自提示（Self-Prompting）場景文本編輯方案，論文已被 ICML 2026 錄用。 該方案基於多模態擴散 Transformer，透過渲染目標文本生成字形提示（glyph prompt），並從原圖目標區域提取像素級風格提示（style prompt），將兩者與完整輸入圖像在像素空間拼接，實現無需額外編碼器的端到端編輯。 模型採用兩階段訓練：第一階段為自監督預訓練，基於大規模圖文資料學習基礎生成與修復能力；第二階段為冷卻（cooldown）訓練，使用約 4,000 對高品質配對資料進行微調，在潛空間中對原圖與目標圖進行插值，解耦內容生成與風格保持。 評測顯示，該方案在中英文基準 AnyText 及包含 11 種語言的多語種測試集 MSTEdit 中均取得最優效能，並對長尾字元與手動設計符號等 OOV（Out-Of-Vocabulary）展現魯棒性。 目前該技術已應用於美圖秀秀「無痕改字」功能，突破傳統改字預設詞表限制，支援日、俄、韓、泰等小語種的文本編輯。