让 AI 真正学会「选哪改哪」——这是 ECCV 2026 最新工作 ICRDrag 交出的答卷。还在用 DragGAN、DragDiffusion 做拖拽修图？那些点选拖拽容易变形、边界割裂、细节丢失的糟心体验，终于可以翻篇了。ICRDrag 首创上下文区域拖拽模型，用掩码精准锁定局部区域，移动、缩放、变形全部丝滑自然，精准度和画面真实感双双在线。
- Paper: https://arxiv.org/pdf/2606.25907
- GitHub: https://github.com/bcmi/ICRDrag-Region-Drag-Editing
- Demo: https://drag.ustcnewly.com/
效果展示
先看编辑效果。每一组图像中，左边蓝色掩码是源区域，右边红色掩码是目标区域。拖拽编辑的核心任务，就是把源区域拖拽到目标区域。其他区域除了必要的跟随性改动（比如嘴巴动了，下巴也要跟着动）之外，细节尽量保持不变。从展示结果来看，ICRDrag 对各种类型图片的姿态和形状调整都能轻松拿捏。
下面视频是 Demo 展示。用户可以不同颜色画出多对源区域和目标区域（目前最多支持 5 对），把多个源区域一一拖拽到对应目标区域。如果其他区域出现了不想要的改动，可以在那些区域增加类似锚点的源区域和目标区域，把其他区域锁住不动。体验链接：https://drag.ustcnewly.com/
直击痛点
传统拖拽修图，到底有多难用？玩过 AI 拖拽编辑的朋友肯定踩过这些坑——
基于单点拖拽：主流点拖拽模型比如 DragGAN、DragDiffusion，仅靠少量点对控制画面。点对信息太模糊，AI 经常猜不透你的想法。点越少，歧义越大，想精准调整物体形态基本靠运气，很难严格对齐目标位置。
现有区域拖拽：后来出现的 RegionDrag、DragFlow 等模型改用掩码控制区域，但缺陷依然明显：物体拖拽后边缘断层，和背景融合生硬；复杂的形状姿态调整完全 hold 不住。
上下文区域拖拽
本次 ECCV 2026 提出的 ICRDrag，全称 In-Context Region-based Drag，给出了一个全新解法：上下文区域拖拽，真正实现「选啥改啥」。
上下文学习框架：基于 DiT 上下文学习框架，一次性输入原图、源区域掩码、目标区域掩码，直接输出编辑完成的图片，从底层解决拖拽编辑的控制难题。
图像-掩码注意力一致性约束：目标图像在借鉴原图信息时，注意力分布必须和目标掩码匹配源掩码的分布保持一致。AI 不再割裂地看图片和选区，生成画面严格贴合掩码划定的空间轮廓。
源-目标双向注意力对应约束：目标物体看向原图对应区域，原图区域也反向关注目标物体，建立编辑前后物体的对应关系。
图片/掩码专属模态 LoRA：图像富含纹理细节，掩码仅存储空间轮廓，两者性质差别很大。ICRDrag 为图像分支和掩码分支分别使用独立的 LoRA。
分阶段课程式训练：现实使用中，用户勾勒的掩码往往比较粗糙。模型采用两阶段渐进式训练：第一阶段用完整语义掩码训练，让模型学会区域变换逻辑；第二阶段用稀疏不完整掩码训练，随机膨胀模拟手绘粗糙选区，大幅提升模型容错率。哪怕掩码画得潦草，AI 依然能精准理解你的编辑意图。
区域拖拽大规模数据集
为了训练 ICRDrag 模型，该工作基于百万级视频数据集 OpenVid，打造了首个大规模区域拖拽数据集 PRD（Paired Region Dataset），补上了领域空白。
训练集：28.7 万组「原图 + 源掩码 + 目标图 + 目标掩码」配对样本。下图左栏是原图、源掩码、从源掩码采样的部分区域；右栏是目标图、目标掩码、从目标掩码采样的部分区域。
评测基准 PRDBench：1000 组人工校验高质量样本，同时标注掩码 + 关键点，可公平对比点拖拽和区域拖拽两类模型。
应用场景
图像拖拽编辑覆盖多个落地场景，是设计师和摄影爱好者的福音。
- 人像修图：框选人脸、四肢，随意调整身材比例、姿态、五官位置，不变形不失真；
- 静物/产品设计：拖拽商品调整摆放位置、缩放大小，无需重绘光影；
- 场景构图优化：移动画面中的人物、花草、建筑，自动填充背景，画面无缝融合；
- 创意设计：自由扭曲物体轮廓，实现复杂创意形变，告别生硬拼接。
实验室简介
ICRDrag 出自上海交通大学牛力实验室。该实验室近几年的主要工作集中在图像生成和编辑领域，代表性子方向是图像合成/物体插入（image composition/object insertion）和少样本图像生成（few-shot image generation），也涉猎过图像填充、图像分层、风格迁移、拖拽编辑等其他子领域。近两年，团队在关注生成模型的后训练以及理解生成一体化模型。