SpatialLock：文本到图像合成中精确的空间控制
计算机视觉与模式识别
2025-11-07 v1
摘要
文本到图像（Text-to-Image，T2I）合成近年来取得了显著进展，推动了如自动生成数据集等应用。然而，对生成图像中对象局部化的精确控制仍是一个挑战。现有方法未能充分利用位置信息，导致对对象空间布局的理解不足。为此，我们提出了 SpatialLock，一种新型框架，利用感知信号和 grounding 信息，联合控制生成过程中对象的空间位置。SpatialLock 包含两个组件：位置参与注入（Position-Engaged Injection，PoI）和位置引导学习（Position-Guided Learning，PoG）。PoI 通过注意力层直接集成空间信息，鼓励模型有效学习 grounding 信息。PoG 采用基于感知的监督进一步细化对象局部化。通过这两个组件，模型能够生成具有精确空间布局的对象，并提升生成图像的视觉质量。实验表明，SpatialLock 在多个数据集上实现了超过 0.9 的 IOU 分数，为精确对象定位树立了新的状态突破。
引用
@article{arxiv.2511.04112,
title = {SpatialLock: Precise Spatial Control in Text-to-Image Synthesis},
author = {Biao Liu and Yuanzhi Liang},
journal= {arXiv preprint arXiv:2511.04112},
year = {2025}
}
备注
Work in progress