清华段岳圻团队论文：从调参数到做控制，文生图迎来一次方法论升级丨CVPR 2026

很多人在使用文生图工具时都会遇到类似的情况，输入一段很清晰的描述，希望画面中人物站在左边、动物在右边，或者希望海报上出现一段完整可读的文字，但生成结果却常常让人失望。 要么位置关系混乱，要么文字变形，要么整体画面看起来不自然。继续调整参数，有时结果会更接近描述，但画面质量却明显下降，颜色变得奇怪，结构开始扭曲。反复尝试之后，往往需要生成十几张甚至几十张图，才能勉强挑出一张可用的。 这种既想让模型听懂指令，又不希望画面被破坏的矛盾体验，已经成为很多用户在实际使用生成模型时的共同感受。 随着生成式人工智能逐渐进入设计、电商、内容创作等真实场景，这种问题变得更加突出。用户不再只是追求一张看起来不错的图，而是希望结果稳定、结构正确、细节可靠，可以直接用于实际工作。 然而现有方法在可控性和稳定性之间始终存在明显冲突，模型越是强调语义对齐，就越容易牺牲视觉质量，这种内在限制逐渐成为生成模型走向更广泛应用的一道门槛。 在这样的背景下，清华大学段岳圻团队提出了《CFG-Ctrl: Control-Based Classifier-Free Diffusion Guidance》这一研究工作，从更底层的角度重新审视这一问题。 研究不再把 CFG 当作简单的参数调节手段，而是将整个生成过程看作一个动态系统，把语义偏差理解为需要被控制的误差，并引入控制理论来重新设计 guidance 机制。这种思路的变化，使得生成过程不再依赖反复试错，而是可以通过更稳定的方式逐步收敛到符合语义约束的结果。 这种改进在实际场景中的意义也很直观。当需要生成具有明确空间关系的画面时，模型能够更稳定地保持结构一致；当画面中包含文字时，内容更容易保持清晰和正确；在复杂场景中，多对象之间的关系也更不容易出现错乱。 用户不再需要通过大量尝试去碰运气，而更有可能在较少次数内得到符合预期的结果。这样的变化，正体现出生成模型从偶尔成功走向稳定可靠的关键一步，也让这项研究在当前发展阶段显得尤为重要。 <img src="https://static.leiphone.com/uploads/new/images/20260422/69e870b461391.