지시문 기반 이미지 편집 기술은 놀라운 진전을 이뤘지만, 현재의 모델들은 복잡한 지시문 처리에 어려움을 겪으며 원하는 결과를 얻기 위해 다수의 샘플을 필요로 하는 문제가 여전히 존재한다. 강화학습(Reinforcement Learning, RL)은 이 문제에 대한 유망한 해결책을 제시할 수 있으나, 이미지 편집 분야에서의 적용은 고해상도이고 효율적인 보상 신호의 부재로 인해 심각하게 제한되어 왔다. 본 연구에서는 이러한 장벽을 극복하기 위한 종합적인 방법론을 제안하며, 최첨단의 전문화된 보상 모델 개발을 핵심으로 한다. 먼저, 편집 품질 평가를 체계적으로 수행할 수 있도록 설계된 EditReward-Bench라는 포괄적인 벤치마크를 도입한다. 이 벤치마크를 기반으로, 지시문 기반 이미지 편집의 품질을 평가하기 위한 보상 모델 시리즈인 EditScore(7B~72B 규모)를 개발한다. 정교한 데이터 수집 및 필터링 과정을 통해 EditScore는 독자적인 비공개 VLM(Vision-Language Model)의 성능과 효과적으로 동등한 수준에 도달한다. 또한 EditScore의 생성적 특성에 맞춰 설계된 효과적인 자기 앙상블 전략과 결합함으로써, 가장 큰 버전의 EditScore는 벤치마크에서 GPT-5를 초월하는 성능을 달성한다. 이후 우리는 고해상도의 보상 모델이 이미지 편집에서 온라인 강화학습을 구현하는 핵심 요소임을 입증한다. 실험 결과, 심지어 가장 큰 오픈소스 VLMs도 효과적인 학습 신호를 제공하지 못하는 반면, EditScore는 효율적이고 안정적인 정책 최적화를 가능하게 한다. 강력한 기반 모델인 OmniGen2에 본 프레임워크를 적용한 결과, 성능 향상이 크고 일관된 최종 모델이 도출되었다. 종합적으로 본 연구는 이미지 편집 분야에서 벤치마크 → 보상 모델링 → 강화학습 훈련에 이르는 최초의 체계적인 접근을 제시하며, 고해상도이면서 분야 전문화된 보상 모델이 이 분야에서 강화학습의 잠재력을 극대화하는 핵심임을 보여준다.