上海交大ICRDrag入选ECCV 2026，用"上下文区域拖拽"彻底解决了控制模糊和边界割裂问题。拖拽编辑这条路线，终于从"能用"走向了"好用"。
什么是"拖拽式图像编辑"？
如果你用过Photoshop，你一定熟悉这些操作：选中一个区域、旋转、拉伸、变形、液化。这些操作的本质，是用户用手指（或鼠标）直接"拖拽"图像中的内容，让它按自己的意愿变形。
2023年，斯坦福的DragGAN把这件事搬到了AI上——你只需要在图片上点几个点，告诉AI"把这个点拖到那个位置"，AI就能自动完成变形，而且效果惊人地自然。人像转头、动物换姿势、物体变形，一切都只需要几个点。这篇论文一出来，整个社区都炸了。
但"点拖拽"有一个根本性的问题——歧义。
点的困境：信息太少，AI猜不透你在想什么
想象一下这个场景：你在一张人像照片的脸颊上点了一个点，然后把它往右边拖了一段距离。你的意图是什么？
可能是"把头转过去一点"，也可能是"把脸拉宽"，还可能是"把整个头往右移"。仅凭两个点（源位置和目标位置），AI根本无法确定你到底想要什么。
这就是DragGAN以及后续的DragDiffusion、StableDrag等点拖拽方法的核心痛点。点越稀疏，歧义越大。想要精确调整物体形态？基本靠运气。
学术界和工业界随后从两个方向尝试突破：
DragNeXt（2026年1月）：把拖拽重新定义为"潜在区域优化"问题，用区域级几何变换替代点级运动监督，提出渐进式后向自干预（PBSI）策略。
StableDrag（南大&腾讯）：用判别式学习改进点跟踪精度，设计基于置信度的潜空间增强策略，在DragBench上显著超越DragGAN和DragDiffusion。
RegionDrag（2024）：首个区域拖拽方法，用源区域掩码和目标区域掩码替代点对。但本质是"复制粘贴"——把源区域特征直接搬到目标位置，边界融合生硬，复杂形变力不从心。
DragFlow、FastDrag：用预定义映射函数替代迭代优化，提升了效率但牺牲了灵活性和质量。
ICRDrag：上下文学习遇上区域拖拽
2026年6月，上海交通大学牛力实验室提交了ICRDrag论文，并被ECCV 2026接收。核心贡献：把上下文学习（In-Context Learning）引入区域拖拽编辑，一举解决了控制精度和编辑质量的双重不足。
ICRDrag的全称是"In-Context Region-based Drag"。做法很优雅：把源图像、源区域掩码（蓝色，标记原始位置/形状）、目标区域掩码（红色，标记目标位置/形状）作为统一的上下文输入，让基于DiT架构的扩散模型在一次前向传播中直接生成编辑后的图像。
这和传统方法的区别是根本性的。RegionDrag在"复制粘贴"，ICRDrag在"理解意图后重新生成"。模型不是简单地把像素从A搬到B，而是理解了"这个区域要从这个形状变成那个形状"的语义，然后以全局一致的方式完成编辑。
光有框架不够，ICRDrag还引入了两个关键的注意力正则化机制：
图像-掩码注意力一致性（IMAC）：要求模型在生成目标图像时，对目标区域的注意力分布必须与源掩码的空间结构对齐。翻译成人话就是：AI在"画"目标区域的时候，必须严格参考你在源图上画的掩码轮廓，不能乱来。
源-目标双向注意力对应（STAC）：让源区域和目标区域在注意力机制中互相"看"对方——源区域关注目标区域，目标区域反向关注源区域。建立起编辑前后的精确对应关系，确保变形连贯一致。
课程式训练：从"标准答案"到"真实场景"
ICRDrag的训练策略同样巧妙。现实场景中用户手动画的掩码往往粗糙、不完整，直接用噪声数据训练很难收敛。
团队采用了两阶段课程式训练：
第一阶段：用完整的语义掩码训练，让模型学会区域变换的基本逻辑。
第二阶段：用稀疏、不完整的不完整掩码训练（通过随机膨胀模拟手绘粗糙选区），大幅提升模型的容错能力。
这意味着，即使你的掩码画得很潦草，ICRDrag依然能准确理解你的编辑意图。这个设计非常贴近实际使用场景——毕竟不是每个人都能画出精确的选区。
PRD：补齐行业缺失的数据拼图
拖拽编辑领域还有一个长期被忽视的问题——缺乏大规模训练数据集。
ICRDrag团队基于百万级视频数据集OpenVid，构建了PRD（Paired Region Dataset）——该领域首个大规模配对数据集：
📦 训练集：287,153组配对样本，每组包含源图像、源掩码、目标图像、目标掩码。数据从静态相机视频中提取，天然包含拖拽编辑所需的变换模式（缩放、姿态变化、朝向变化等）。
📊 评测基准PRDBench：1,000组人工校验的高质量样本，同时标注掩码和关键点，可同时评测点拖拽和区域拖拽两类方法。
这个数据集的意义不亚于模型本身。有了PRD，后续研究者终于有了一个公平、可复现的训练和评测基础。
2026年拖拽编辑全景图
ICRDrag并不是2026年唯一的拖拽编辑新工作。这条赛道正在进入百花齐放的阶段：
| 方法 | 时间 | 机构 | 核心创新 |
|---|---|---|---|
| DragGAN | 2023 | 斯坦福 | 开山之作，GAN + 点拖拽 |
| DragDiffusion | 2023 | 多机构 | 将拖拽适配到扩散模型 |
| StableDrag | 2024 | 南大 & 腾讯 | 判别式点跟踪，提升稳定性 |
| RegionDrag | 2024 | — | 首个区域拖拽，复制粘贴策略 |
| DragNeXt | 2026.01 | — | 潜在区域优化 + PBSI |
| DynaDrag | 2026.01 | 上海交大 | 预测-移动框架，动态选择控制点 |
| LightningDrag | 2026 | — | 从视频数据学习，快速拖拽编辑 |
| ContextDrag | 2026 | 快手 KlingAI | 基于FLUX-Kontext，无需反演 |
| ICRDrag | 2026.06 | 上海交大 | 上下文区域拖拽 + 注意力正则化，ECCV 2026 |
从中可以看到两个清晰的趋势：
越来越多的工作认识到，点提供的控制信号太稀疏，区域掩码才是更自然的交互方式。ICRDrag和DragNeXt分别从不同方向推进了这一趋势。用户的操作直觉本来就是"选一块区域然后改动它"，区域拖拽比点拖拽更符合人的操作习惯。
无论是ICRDrag还是快手的ContextDrag，都在利用扩散模型（特别是DiT架构）的上下文学习能力，把参考图像、掩码等条件直接作为输入，避免了传统方法中耗时的反演（inversion）或微调（fine-tuning）过程。一次前向传播就能出结果，这是实用化的关键。
实际应用场景
拖拽编辑解决的是"精确控制"这个图像编辑中的核心需求。ICRDrag的Demo已经上线（drag.ustcnewly.com），支持最多5对源/目标区域同时编辑。
代码已经开源在GitHub（bcmi/ICRDrag-Region-Drag-Editing），基于DiT架构，训练数据来自视频，整套方案可复现。Demo还提供了"锁定区域"功能——如果某个区域你不希望被影响，可以额外画一个掩码来固定它。
从"点"到"面"，从"猜意图"到"懂意图"
从2023年DragGAN惊艳亮相，到2026年ICRDrag入选ECCV，拖拽式图像编辑走过了三年进化路。核心矛盾始终是：如何让AI准确理解用户的编辑意图？
DragGAN用"点"来回答，但点太稀疏；RegionDrag用"区域"来回答，但方法太粗糙；ICRDrag给出了更优雅的答案——用上下文学习框架，把区域掩码作为模型理解意图的"语境"，再通过精心设计的注意力正则化，确保模型真正"看懂"了你要改什么、改成什么样。
对于设计师和创作者来说，AI图像编辑正在从"碰运气"走向"精确可控"。
参考来源：ICRDrag论文（arXiv:2606.25907）、DragNeXt论文（arXiv:2506.07611）、ContextDrag论文、机器之心报道、DragDiffusion项目
