ConsistCompose：用于图像组成的统一多模态布局控制

将视觉理解与图像生成耦合的统一多模态模型正在快速发展，但大多数系统仍专注于视觉锚定——将语言与图像区域对齐——而其生成对手，即语言嵌入布局——用于布局可控的多实例生成(LELG)，仍未得到充分探索，这限制了精确的组成控制。我们提出ConsistCompose，一个统一的多模态框架，将布局坐标直接嵌入语言提示中，实现从交错图像-文本中的布局控制下的多实例图像生成。我们进一步构建了ConsistCompose3M数据集，包含340万个具有布局和身份标注的多实例生成数据集（包含260万个文本引导的数据对和80万个图像引导的数据对），为布局条件生成提供大规模监督。在该框架下，通过实例坐标绑定提示和坐标感知无条件引导实现了LELG，这将语言布局线索转化为精确的空间控制，而无需特定的任务分支。在COCO-Position和MS-Bench上的实验表明，ConsistCompose在布局控制基线上显著提高了空间准确性，同时保持了身份保真度和具竞争力的通用多模态理解能力，建立了布局可控多模态图像生成的统一范式。