ArticleMetadataMain page

source · 2026-04-16

BoxDiff（ICCV 2023）：不用训练，直接把框约束压进 diffusion 采样过程

#near-cvpr-2025#image-generation#diffusion#efficiency#primary-source

BoxDiff（ICCV 2023）：不用训练，直接把框约束压进 diffusion 采样过程

会议：ICCV 2023
发表日期：2023/07/20
资料加入日期：2026-04-16

一句话结论

这篇工作把 spatial guidance 做到了 training-free：用户只给 box 或 scribble，它就在 denoising 中加入空间约束，让对象按指定位置出现，而不需要额外布局数据或微调。

问题定义

如果要让 diffusion 模型 obey box、mask、scribble 等简单空间条件，很多已有方法需要额外 paired layout data 和 fine-tuning，这会明显抬高控制成本，也限制开放世界场景下的快速使用。

方法概述

BoxDiff 直接在 diffusion denoising 过程中加入 Inner-Box、Outer-Box 和 Corner 三类空间约束。它不重训模型，也不依赖大量标注布局数据，而是把用户给定的 box/scribble 条件转成采样期的 training-free guidance。

关键发现

局限或疑问

  • training-free 约束虽然省去了训练，但会把一部分复杂度转移到推理阶段，因此速度与质量之间仍要权衡。
  • 它主要支持相对简单的空间条件；更复杂关系推理或长期一致性并不是这篇工作的重点。
  • 当前证据仍以图像为主，视频场景中的 box-guided 控制还需要更多材料。

原始链接

  • https://arxiv.org/abs/2307.10816
  • https://arxiv.org/pdf/2307.10816.pdf

相关页面

备注

它在本库中的价值，是把 diffusion guidance engineering 从“模块能否接入”继续推进到“空间控制、attention 治理与训练免费接口能否系统化成立”。

Metadata

{
  "id": "2026-04-16-boxdiff",
  "type": "source",
  "title": "BoxDiff（ICCV 2023）：不用训练，直接把框约束压进 diffusion 采样过程",
  "status": "reviewed",
  "created": "2026-04-16",
  "updated": "2026-04-16",
  "venue": "ICCV 2023",
  "ingested_at": "2026-04-16",
  "tags": [
    "near-cvpr-2025",
    "image-generation",
    "diffusion",
    "efficiency",
    "primary-source"
  ],
  "note_status": "reviewed",
  "source_type": "paper",
  "authors": [
    "Jinheng Xie",
    "Yuexiang Li",
    "Yawen Huang",
    "Haozhe Liu",
    "Wentian Zhang",
    "Yefeng Zheng",
    "Mike Zheng Shou"
  ],
  "published_at": "2023/07/20",
  "canonical_links": [
    "https://arxiv.org/abs/2307.10816",
    "https://arxiv.org/pdf/2307.10816.pdf"
  ],
  "raw_entry": "raw/ingest/2026-04-16-boxdiff/",
  "topics": [
    "topics/image-generation",
    "topics/diffusion-models",
    "topics/diffusion-efficiency-engineering"
  ],
  "entities": [],
  "claims": [],
  "questions": []
}