扩散模板：面向可控扩散的统一插件框架

可控扩散方法显著扩展了扩散模型的实际应用性，但通常开发为孤立的、特定于 backbone 的系统，存在不兼容的训练管道、参数格式和运行挂钩。这种片段化使跨任务复用基础设施、跨 backbone 迁移能力或在单个生成管道中组合多个控制几乎不可能。我们提出扩散模板（Diffusion Templates），这是一个统一且开源的插件框架，将 base-model 推理与可控能力注入解耦。该框架由三个组件构成：将任意任务特定输入映射到中间能力表示的模板模型（Template models），作为能力注入的标准化接口的模板缓存（Template cache），以及加载、合并并注入一个或多个模板缓存到 base diffusion 运行时的模板管道（Template pipeline）。由于该接口以系统层面定义，而非绑定到特定控制架构，异构能力载体如 KV-Cache 和 LoRA 都可以在同一抽象下受支持。基于此设计，我们构建了一个多样化的模型库，涵盖结构控制、亮度调整、颜色调整、图像编辑、超分辨率、锐度增强、审美对齐、内容参考、局部填充和年龄控制等案例研究。这些案例显示，扩散模板可以在保持模块性、可组合性和实际可扩展性的同时，统一广泛的可控生成任务。所有资源将开源，包括代码、模型和数据集。