还记得前两年 DragGAN、DragDiffusion 等拖拽修图工具刚问世时，大家纷纷感叹其酷炫效果——只需鼠标点选拖动，就能让物体“活”起来。然而实际体验中，许多用户发现容易产生变形、边界割裂、细节丢失等问题，尤其是在复杂编辑场景下，结果往往难以令人满意。那种“想改却改不好”的尴尬体验，确实让人颇为困扰。

如今局面已被改变。ECCV 2026 上亮相的 ICRDrag，一举突破了此前的技术瓶颈。该方案提出了一种名为“上下文区域拖拽”的新思路——通过掩码精准定位局部区域，并执行移动、缩放、变形等操作。看似与以往差别不大？关键在于，生成结果的流畅自然度与画面真实感实现了质的飞跃。

简单来说：以前是“选个点，拖着走”，现在是“划定区域，告诉模型目的地”。

效果展示

先看编辑效果示例。每组图像中，左侧蓝色掩码表示源区域，右侧红色掩码表示目标区域。拖拽编辑的核心任务，本质上就是将源区域内容整体搬运到目标区域位置，与此同时，除了必要的跟随性变化（例如嘴部移动带动下巴联动），其他区域细节尽可能保持不变。

从实际呈现来看，ICRDrag 对各种类型图片的姿态与形状调整几乎都能应对自如——无论是人像中的面部微调、四肢比例修改，还是静物/场景中的物体摆放与形变，都表现得相当稳定。

用户端操作体验也比较直观：用不同颜色绘制多对源区域与目标区域（目前最多支持 5 对），将源区域一一拖拽至对应目标区域。如果其他区域出现了意料之外的改动，还可以在其他位置增设类似锚点的源/目标区域来“锁定”这些区域。

上下文区域拖拽

ICRDrag 的技术核心究竟是什么？一句话概括：它基于 DiT 的上下文学习框架，将“原图、源区域掩码、目标区域掩码”一次性整体输入模型，直接输出编辑完成后的最终图像。这意味着，整个拖拽过程不再需要零散的多次迭代操作，而是从底层设计上就让模型理解“你想把什么物体移到哪里”。

关键创新点共有五项：

上下文学习框架： 一次性输入三要素（原图、源掩码、目标掩码），模型直接输出最终编辑结果。相比此前的逐点迭代或局部迭代，这种方式从根本上解决了编辑意图的不确定性问题。

图像-掩码注意力一致性约束： 目标图像中的物体在“借鉴”原图信息时，其注意力分布必须与目标掩码对源掩码的分布保持一致。模型不再“割裂”地看待图片与选区，而是让生成画面严格贴合掩码所划定的空间轮廓。

源-目标双向注意力对应约束： 目标物体看到原图中的对应区域，原图区域也反方向关注目标物体。此举在编辑前后的物体之间建立了双向对应关系——类似于“我认得你，你也认得我”，避免了形变时物体特征丢失。

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，两者信息性质差异显著。ICRDrag 为图像分支和掩码分支分别使用独立的 LoRA 参数，让各自的学习任务更加聚焦。

分阶段课程式训练： 这可能是最贴近实际应用的设计。现实中，用户勾勒掩码往往比较粗糙，不可能像标注员那样画得精准。模型采用两阶段渐进式训练：第一阶段使用完整语义掩码，让模型先学会区域变换的基本逻辑；第二阶段采用稀疏、不完整的掩码训练，并通过随机膨胀来模拟手绘粗糙选区，从而大幅提升模型的容错率。即使掩码画得比较潦草，AI 依然能大致理解用户的编辑意图。

区域拖拽大规模数据集

优秀的模型离不开高质量数据支撑。ICRDrag 团队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）。

训练集： 包含 28.7 万组“原图 + 源掩码 + 目标图 + 目标掩码”配对样本。每组样本涵盖了从源区域到目标区域的完整变换信息，保证了模型的训练覆盖广度。

评测基准 PRDBench： 包含 1000 组经过人工校验的高质量样本，同时标注了掩码和关键点。值得一提的是，该基准使得点拖拽模型与区域拖拽模型之间的对比更加公平——过去两类模型往往难以直接比较，现在有了统一标准。

应用场景

图像拖拽编辑在多个领域都具有直接落地价值。

人像修图： 框选人脸、四肢等部位，调整身材比例、姿态或五官位置，基本不会出现明显变形或失真。

静物/产品设计： 拖拽商品调整其摆放位置或缩放大小，无需重绘光影——物体移动后，环境光效基本能保持自然过渡。

场景构图优化： 移动画面中的人物、花草、建筑等元素，编辑后背景能够自动填充并实现画面无缝融合。

创意设计： 自由扭曲物体轮廓，实现较复杂的创意形变，告别以往生硬拼接的效果。

实验室简介

ICRDrag 出自上海交通大学牛力实验室。该实验室近年来主要聚焦于图像生成与编辑领域，代表性研究方向包括图像合成/物体插入（image composition/object insertion）和少样本图像生成（few-shot image generation），同时也涉及图像填充、图像分层、风格迁移、拖拽编辑等其他方向。近两年，团队的重心逐渐转向生成模型的后训练，以及理解与生成一体化模型的研究。