Skywork UniPic 3.0：通过序列建模实现统一多图像合成
计算机视觉与模式识别
2026-01-23 v1 人工智能
摘要
近期 Nano-Banana 和 Seedream 4.0 的流行凸显了社区对多图像合成任务的浓厚兴趣。与单图像编辑相比，多图像合成在一致性和质量方面提出了更大的挑战，然而现有模型并未公开实现高质量融合的具体方法细节。通过统计分析，我们发现人-物交互（Human-Object Interaction, HOI）是社区最受关注的类别。因此，我们系统地分析并实现了一种以 HOI 为中心任务的多图像合成最先进解决方案。我们提出了 Skywork UniPic 3.0，这是一个统一的多模态框架，集成了单图像编辑和多图像合成。我们的模型支持任意数量（1~6）和分辨率的输入图像，以及任意输出分辨率（在 1024x1024 的总像素预算内）。为了应对多图像合成的挑战，我们设计了一个全面的数据收集、过滤和合成流程，仅用 70 万高质量训练样本就实现了强大性能。此外，我们引入了一种新颖的训练范式，将多图像合成为序列建模问题，从而将条件生成转化为统一的序列合成。为了加速推理，我们在后训练阶段集成了轨迹映射和分布匹配，使模型能够在仅 8 步内生成高保真样本，并实现比标准合成采样快 12.5 倍的加速。Skywork UniPic 3.0 在单图像编辑基准上达到了最先进的性能，并在多图像合成基准上超越了 Nano-Banana 和 Seedream 4.0，从而验证了我们数据流程和训练范式的有效性。代码、模型和数据集已公开。
引用
@article{arxiv.2601.15664,
title = {Skywork UniPic 3.0: Unified Multi-Image Composition via Sequence Modeling},
author = {Hongyang Wei and Hongbo Liu and Zidong Wang and Yi Peng and Baixin Xu and Size Wu and Xuying Zhang and Xianglong He and Zexiang Liu and Peiyu Wang and Xuchen Song and Yangguang Li and Yang Liu and Yahui Zhou},
journal= {arXiv preprint arXiv:2601.15664},
year = {2026}
}