NumColor：文本到图像生成中的精确数值颜色控制
计算机视觉与模式识别
2026-03-17 v1
摘要
文本到图像扩散模型在从自然语言描述生成图像方面表现出色，但无法解读诸如十六进制颜色代码（#FF5733）和 RGB 值（rgb(255,87,51）等数值颜色。这一局限性源于子词分词，它将颜色代码碎片化为语义无意义的标记，导致文本编码器无法将其映射到连贯的颜色表示。我们提出了 NumColor，使其能够在多种扩散架构中实现精确的数值颜色控制。NumColor 包含两个组件：一种 Color Token Aggregator 用于检测与分词无关的颜色规范，以及包含 6707 个可学习嵌入的 ColorBook，这些嵌入将颜色映射到文本编码器的感知均匀 CIE Lab 空间中。我们引入了两个辅助损失——方向对齐和插值一致性——以强制 Lab 空间与嵌入空间之间的几何对应关系，实现平滑的颜色插值。为训练 ColorBook，我们构建了 NumColor-Data，一个包含 50 万张渲染图像的人工数据集，每个图像都具有明确的颜色到像素的对应关系，消除了摄影数据集中固有的标注歧义。虽然仅在 FLUX 上训练，NumColor 仍能零样本迁移到 SD3、SD3.5、PixArt-α 和 PixArt-Σ，而无需模型特定的适配。NumColor 在五个模型中提高了数值颜色准确性 4-9 倍，同时在 GenColorBench 基准上将颜色和谐度提升 10-30 倍。
引用
@article{arxiv.2603.13547,
title = {NumColor: Precise Numeric Color Control in Text-to-Image Generation},
author = {Muhammad Atif Butt and Diego Hernandez and Alexandra Gomez-Villa and Kai Wang and Javier Vazquez-Corral and Joost Van De Weijer},
journal= {arXiv preprint arXiv:2603.13547},
year = {2026}
}