**通过区域感知双模态直接偏好优化实现组合文本到图像生成**

_Compositional Text-to-Image Generation Via Region-aware Bimodal Direct Preference Optimization_

> 针对复杂组合提示（如属性绑定、物体关系、数量）在文本到图像（T2I）模型中生成准确性不足的挑战，研究人员提出了BiDPO框架。该框架通过构建严格质量控制的偏好数据集BiComp，并扩展扩散DPO以同时优化图像和文本偏好，显著提升模型遵循复杂文本提示的能力。为进一步增强细粒度对齐，采用区域级引导方法专注于与组合概念相关的区域。实验证明，BiDPO在多个基准测试中显著提高了组合保真度，优于现有方法，展示了基于偏好微调在复杂T2I任务中的潜力，提供了一种灵活且可扩展的替代技术。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-02 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.28615)