StruPO：用场景图结构反馈训练文生图提示词编辑器
原文标题：From Structural Feedback to Prompt Policies: Learning Faithful Text-to-Image Prompt Editors
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 StruPO，用校准后的场景图作为策略条件与图像监督的共享表示，把结构反馈转为可复用编辑策略的训练信号。方法通过平滑奖励塑形保留 grounding 置信度，并对每次编辑的多张图像取平均计算组相对优势。在三个 2K 提示词测试集与四个冻结生成骨干上，关系保真度与美学权衡均获提升，并有 15 人标注研究佐证。
深读 · 结论先行AI 生成展开看要点与影响 ↓
StruPO用校准场景图作共享表示训练提示词编辑器，在四个冻结骨干上提升关系保真度。
- •问题设定：风格化改写即使全局图文相似度高，也会削弱对象属性与关系。
- •以校准场景图同时做策略条件与图像监督，删除、重排、插入提供token对齐的编辑方式。
- •用平滑奖励塑形保留grounding置信度，并对每次编辑的多张图像取平均后计算组相对优势。
- •实验覆盖三个互不重叠的2K提示词测试集与四个冻结生成骨干，对比学习型优化器、迭代结构反馈、扩散微调与推理时注意力控制。
- •另有15人标注研究佐证，人类偏好优势随关系复杂度上升。
为什么重要：对做文生图提示词优化的团队：结构反馈从外部批评转为可训练信号，且不依赖微调生成模型，可直接叠加在现有骨干上。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
谷歌发布 EmbeddingGemma 2，五模态统一向量空间
AI 摘要谷歌推出 EmbeddingGemma 2 嵌入模型，可将文本、图像等五种模态映射到同一个向量空间，实现跨模态检索与对齐。该模型延续 Gemma 开源系列，面向多模态嵌入与检索增强场景。
谷歌发布Genie 4世界模型，可生成带音频交互体验
AI 摘要谷歌发布 Genie 4 世界模型，支持更真实的世界、自然语言实时修改、音频生成，底层由 Gemini 3.8 Flash 驱动，单次体验时长从 1 分钟提升至约 2 分钟。该模型先以研究预览形式向受信任测试者开放，并将向 Google AI Ultra 订阅用户推出。
谷歌 DeepMind 发布 Genie 4 世界模型，新增音频与实时操控
AI 摘要谷歌 DeepMind 发布世界模型 Genie 4，新增实时音频、更逼真的模拟环境，并支持在模拟过程中用文本提示实时操控。该模型以研究预览形式向受信任测试者开放，进一步推进可交互世界模型的能力边界。
谷歌 DeepMind 称四个 Gemini 4 智能体 27 小时通关《我的世界》
AI 摘要谷歌 DeepMind 表示，四个基于 Gemini 4 的 AI 智能体在 27 小时内自行编写 2783 段程序，成功通关《我的世界》。过程中智能体在简单难度下死亡 605 次，估计消耗约 520 美元 token 成本。