Moebius论文完整解读（arXiv:2606.19195）一、论文整体概述1. 基础信息标题：Moebius: 0.2B Lightweight Image Inpainting Framework with 10B-Level Performance单位：华中科技大学HUST视觉实验室 + VIVO AI Lab任务：轻量化图像修复（Image Inpainting）核心痛点：FLUX.1-Fill、SD3.5等10B级工业通用修复模型画质强，但参数量巨大、推理极慢，无法部署在手机、嵌入式等端侧设备；现有轻量化方案直接替换卷积/注意力会产生表征瓶颈，修复画质严重崩坏。核心成果：提出Moebius轻量修复框架，仅0.22B参数（仅FLUX.1-Fill-Dev 11.9B的2%），在自然场景、人像基准上匹敌甚至超越10B大模型，总推理速度提升15倍以上，兼顾小参数量、低延迟、高画质三大目标。2. 核心创新点创新1：LλMI（Local-λ Mix Interaction）基础模块，解决轻量化表征瓶颈现有线性注意力（GLA）无法同时支持自注意力+ Moebius: 0.2B Lightweight Image Inpainting Framework with 10B-Level Performance
Moebius论文完整解读（arXiv:2606.19195）一、论文整体概述1. 基础信息标题：Moebius: 0.2B Lightweight Image Inpainting Framework with 10B-Level Performance单位：华中科技大学HUST视觉实验室 + VIVO AI Lab任务：轻量化图像修复（Image Inpainting）核心痛点：FLUX.1-Fill、SD3.5等10B级工业通用修复模型画质强，但参数量巨大、推理极慢，无法部署在手机、嵌入式等端侧设备；现有轻量化方案直接替换卷积/注意力会产生表征瓶颈，修复画质严重崩坏。核心成果：提出Moebius轻量修复框架，仅0.22B参数（仅FLUX.1-Fill-Dev 11.9B的2%），在自然场景、人像基准上匹敌甚至超越10B大模型，总推理速度提升15倍以上，兼顾小参数量、低延迟、高画质三大目标。2. 核心创新点创新1：LλMI（Local-λ Mix Interaction）基础模块，解决轻量化表征瓶颈现有线性注意力（GLA）无法同时支持自注意力+