2026年8月26日下午，SLAI Seminar第五十期在深圳河套学院顺利举办。本次讲座由姬艳丽教授主持，特邀哈尔滨工业大学计算学部左旺孟教授主讲。报告以“面向高分辨率的复杂图像生成”为题，围绕极端画幅与高分辨率生成、多目标场景控制、生成编辑统一及图文交错生成等方向，介绍了团队对复杂图像生成能力和应用边界的探索。

讲座内容

01 从简单图像走向高分辨率与极端画幅

左旺孟教授首先回顾了图像生成技术的快速发展：GPT-Image、Nano Banana、Flux、Qwen Image等模型已经能够较好地完成简单图像和单一物体生成，高校研究需要进一步寻找仍具挑战、也可能具有实际价值的问题。他认为，未来值得持续探索的方向之一，是生成包含更多细节、人物和交互关系，同时保持整体结构清晰的复杂图像。

团队首先从极端宽高比和高分辨率生成切入。其基本思路是将一幅大图看作由相机逐步扫描得到的视频：模型沿横向、纵向或蛇形路径生成带有重叠区域的连续画面，再将各帧拼接为完整图像。为减少重叠区域模糊和内容漂移，团队重新设计了位置编码与对应约束，使相邻帧在空间上保持更严格的一致性。在扩充万级视频数据后，该方法在1:8等极端画幅下仍能保持较稳定的生成效果，也可用于提升常规比例图像的分辨率。

02 多目标场景：让文字、布局与对象准确对应

当图像中同时出现十余个人物或物体时，仅依靠长文本提示，即使再加入边缘、深度或语义分割等布局条件，模型仍容易出现对象混淆、属性错位和关系错误。因此，复杂图像生成的关键不只是“生成更多东西”，还要明确每段文字究竟对应图中的哪个区域。

针对这一问题，团队对视觉语言模型进行专门微调，使其能够在边缘图、深度图等非RGB条件中，将长文本里的实体与相应区域建立细粒度对应。随后，模型利用区域掩码引导生成，并通过掩码优化模块降低分割误差带来的影响。实验显示，这一方法在多目标和复杂描述场景中能够更好地保持人物、物体及其属性的一致性，为复杂海报、多人场景和二次创作提供了更稳定的控制方式。

03 生成编辑统一与图文交错生成

报告还讨论了生成与编辑统一模型的发展。左旺孟教授指出，这类模型当前最重要的价值，并不是完全取代多模态理解模型，而是将文生图、局部修改、风格转换和对象替换等任务纳入同一框架。但仅有语义层面的理解并不足以支撑精确编辑，例如“把3号球员的衣服改为蓝色”需要模型先定位到具体人物和对应像素区域。

为此，团队在统一模型中加入分割、定位等像素级感知数据，并引入细粒度推理过程，增强模型对目标区域的理解。经过训练后，模型在指定对象换色、移除特定人物等任务上表现得更准确。团队同时探索图文交错生成，让模型像连环画或科普材料一样，连续输出多段文字和多幅相关图像。该方向需要同时处理不同模态的生成顺序、终止标记和跨段关联，目前仍在进一步完善。

在交流环节，现场师生围绕复杂图像的表征方式与物理一致性展开了讨论。针对“复杂生成与编辑需要怎样的图像表征”，左旺孟教授表示，表征方式应服务于具体任务：纯图像生成首先要求较好的重建能力，文生图还需要图文对齐，而生成编辑统一模型则进一步要求局部因素尽量解耦，避免修改一个区域时干扰其他内容。对于“如何让生成图像或视频符合物理规律”，他介绍了几种思路：可以利用物理方程和仿真结果提供控制条件，也可以通过神经常微分方程等数据驱动方法学习动态过程，或进一步借助强化学习与奖励模型约束生成结果。不同方法在计算成本、可解释性和泛化能力之间各有取舍。

本次讲座从图像生成模型快速演进的背景出发，梳理了复杂图像生成仍需解决的关键问题。左旺孟教授结合极端画幅、多目标控制、细粒度编辑和图文交错生成等工作，展示了如何从数据、表征和模型结构多个层面提升生成结果的分辨率、内容一致性与可控性，也为图像生成在Agent时代继续完善基础能力提供了新的思路。