MimicBrush 是一种图像编辑方法，其官方描述将其定位为“零样本图像编辑与参考模仿”（Zero-shot Image Editing with Reference Imitation）。它提出了一种新的编辑形式，称为“模仿式编辑”（imitative editing），目的是帮助用户更方便地发挥创意。
用途与核心思路 在图像编辑中，精确描述编辑后的图像应该是什么样，是最困难的部分之一。MimicBrush 的做法是：用户若要编辑图像中某个感兴趣的区域，可以直接从一些野外参考图像（例如在网上随手看到的相似图片）中获取灵感，而无需自行处理参考图与源图之间的匹配问题。该设计要求系统自动推断应从参考图中期望获得什么，并据此执行编辑。
主要能力 根据官方说明，用户只需在源图像中指定要编辑的区域（即白色遮罩），并提供一张野外参考图像，用来示意这些区域在编辑后期望呈现的样子。模型会自动捕捉源图与参考图之间的语义对应关系，并在一次执行中完成编辑。官方页面展示了多样化的编辑结果，并列出以下示例方向：局部区域编辑（Local Region Editing）、纹理迁移（Texture Transfer）、后处理精修（Post-processing Refinement）。
使用方式 用户操作包括两个输入：在源图像上绘制白色遮罩以指定编辑区域，以及提供一张参考图像以指示期望的编辑效果。模型随后自动完成语义对应与合成，一次执行即可得到编辑结果。官方提供视频介绍（Video Introduction）与整体流程（Overall Pipeline）说明。
技术框架与训练方式 官方介绍，MimicBrush 的训练采用生成式训练框架：从一段视频片段中随机选择两帧，对其中一帧的某些区域加遮罩，并学习利用来自另一帧的信息恢复被遮罩的区域。基于这一方式，模型（从扩散先验发展而来）能够以自监督的方式捕捉不同图像之间的语义对应关系。在整体流程中，源图像被遮罩并施加数据增强，随后将源图像的含噪图像潜变量、遮罩、背景潜变量与深度潜变量输入模仿 U-Net；参考图像同样经过增强后送入参考 U-Net。两个 U-Net 被训练用于恢复源图像中被遮罩的区域，参考 U-Net 的注意力键与值会与模仿 U-Net 拼接，以辅助被遮罩区域的合成。
适用场景 官方描述适用于局部区域编辑、纹理迁移以及后处理精修等方向，其设计目标是让用户借助野外参考图完成编辑，而不必精确描述编辑后的样子，也不必处理参考图与源图的适配问题。
限制与未提供信息 关于具体的收费方式、价格、平台支持（如网页端、桌面端或移动端）、具体安装命令、依赖环境、模型权重获取方式、使用配额、支持的图像分辨率与格式、处理速度以及可用地区等，官方文本中暂未提供，无法据此确认。官方提到构建了一个基准（benchmark）以促进进一步研究，但基准的具体名称、内容与访问方式在给定资料中暂未提供。
