Problem

現有文字生成圖像（T2I）模型在處理複雜的組合性指令時，往往難以精確呈現多重屬性綁定、物件間的空間關係以及正確的物件數量，導致生成影像與文字描述之間存在落差。

Method

研究團隊開發了 BiDPO 框架，包含三大核心：第一，建構具備嚴格品質控管的大規模偏好資料集 BiComp；第二，擴展 Diffusion DPO 技術，達成影像與文字偏好的雙模態同步優化；第三，導入區域層級引導（Region-level Guidance），強化模型對特定視覺區域與組合概念的對齊能力。

Results

實驗結果顯示，BiDPO 在多項基準測試中均穩定超越現有技術，大幅提升了圖像生成的組合保真度。該模型能更準確地執行複雜指令，有效解決了過往模型容易混淆物件屬性或數量的問題。

Significance

這項研究證明了偏好微調（Preference-based Fine-tuning）在複雜 T2I 任務中的強大潛力，為追求高精度語義對齊的圖像生成模型，提供了一套既靈活且具備擴充性的創新技術路徑。