ArticleMetadataMain page

source · 2026-04-15

GLIGEN（CVPR 2023）：开放集合 grounded 文本到图像生成

#near-cvpr-2025#image-generation#vision-language#primary-source

GLIGEN（CVPR 2023）：开放集合 grounded 文本到图像生成

会议：CVPR 2023
发表日期：2023-01-01
资料加入日期：2026-04-14

一句话结论

这篇工作把 grounded control 明确推入图像生成主线，说明生成系统已经不再只是“出图”，而是在向可定位、可组合、可交互方向演化。

问题定义

它要解决的是开放集合条件下，文本到图像模型如何更精确地接收位置、对象等 grounding 约束的问题。对当前 topic 来说，它很重要，因为它补上了“可控生成”这一条前史主线。

方法概述

GLIGEN 在预训练文本到图像扩散模型之上增加 grounding 能力，让模型能够在开放集合场景里结合文本与位置/对象等条件进行图像生成。这个方向后来直接影响到图像编辑、对象级控制和多模态对齐路线。

关键发现

  • 它证明 grounded control 会成为图像生成的重要延伸方向。
  • 它让 image-generation 和 vision-language 的边界进一步靠近。
  • 它有助于解释为什么后续很多编辑系统越来越依赖显式区域与条件控制。

局限或疑问

  • 它更强调控制能力，而不是统一生成编辑框架本身。
  • 开放集合 grounding 的真实鲁棒性仍需结合后续工作看。
  • 它是能力扩展锚点，不是最终通用接口。

原始链接

  • https://arxiv.org/abs/2301.07093
  • https://arxiv.org/pdf/2301.07093.pdf

相关页面

备注

GLIGEN 在这套库里的作用，是把 image-generation 主线中的“可控生成 / grounded generation”补成明确分支。

Metadata

{
  "id": "2026-04-14-gligen",
  "type": "source",
  "title": "GLIGEN（CVPR 2023）：开放集合 grounded 文本到图像生成",
  "status": "reviewed",
  "created": "2026-04-14",
  "updated": "2026-04-15",
  "venue": "CVPR 2023",
  "ingested_at": "2026-04-14",
  "tags": [
    "near-cvpr-2025",
    "image-generation",
    "vision-language",
    "primary-source"
  ],
  "note_status": "reviewed",
  "source_type": "paper",
  "authors": [
    "Yuheng Li",
    "Haotian Liu",
    "Qingyang Wu",
    "Fangzhou Mu",
    "Jianwei Yang",
    "Jianfeng Gao",
    "Chunyuan Li",
    "Yong Jae Lee"
  ],
  "published_at": "2023-01-01",
  "canonical_links": [
    "https://arxiv.org/abs/2301.07093",
    "https://arxiv.org/pdf/2301.07093.pdf"
  ],
  "raw_entry": "raw/ingest/2026-04-14-gligen/",
  "topics": [
    "topics/image-generation",
    "topics/vision-language"
  ],
  "entities": [
    "entities/unified-image-generation-editing"
  ],
  "claims": [],
  "questions": [
    "questions/question-will-unified-image-models-sustain-their-advantage"
  ]
}