驾驭三空间张力：基于 ARC 引导的幻觉建模与控制用于文本到图像生成

尽管在图像质量和提示保真度方面取得了显著进展，文本到图像（T2I）扩散模型仍然持续表现出“幻觉”，即生成内容与预期提示语义存在细微或显著的偏差。虽然这些失败通常被视为不可预测的伪影，但我们认为它们反映了生成过程中更深层次的结构性错位。在这项工作中，我们提出了一种受认知启发的视角，将幻觉重新解释为潜在对齐空间中的轨迹漂移。经验观察表明，生成过程在一个多轴的认知张力场中展开，模型必须在该场中持续协调三个关键轴上的竞争性需求：语义连贯性、结构对齐和知识基础。然后，我们将这个三轴空间形式化为幻觉三空间，并引入对齐风险码（ARC）：一种动态向量表示，用于量化生成过程中的实时对齐张力。ARC 的大小捕捉整体错位，其方向识别主导失败轴，其不平衡反映张力不对称。基于此公式，我们开发了 TensionModulator（TM-ARC）：一个完全在潜在空间中运行的轻量级控制器。TM-ARC 监控 ARC 信号，并在采样过程中应用有针对性的、特定于轴的干预。在标准 T2I 基准上的大量实验表明，我们的方法在不影响图像质量或多样性的情况下显著减少了幻觉。该框架为理解和缓解基于扩散的 T2I 系统中的生成失败提供了一种统一且可解释的方法。