BBQ-to-Image: Numerische Begrenzungsrahmen und Farbsteuerung in großskaligen Text-zu-Bild-Modellen
BBQ-to-Image: Numeric Bounding Box and Qolor Control in Large-Scale Text-to-Image Models
February 24, 2026
Autoren: Eliran Kachlon, Alexander Visheratin, Nimrod Sarid, Tal Hacham, Eyal Gutflaish, Saar Huberman, Hezi Zisman, David Ruppin, Ron Mokady
cs.AI
Zusammenfassung
Text-to-Image-Modelle haben in Bezug auf Realismus und Steuerbarkeit rasante Fortschritte gemacht, wobei neuere Ansätze lange, detaillierte Beschreibungen nutzen, um feingranulare Generierung zu unterstützen. Dennoch bleibt eine fundamentale parametrische Lücke bestehen: Bestehende Modelle stützen sich auf beschreibende Sprache, während professionelle Workflows eine präzise numerische Kontrolle über Objektposition, -größe und -farbe erfordern. In dieser Arbeit stellen wir BBQ vor, ein großskaliges Text-to-Image-Modell, das direkt auf numerische Begrenzungsrahmen und RGB-Tripel innerhalb eines einheitlichen strukturierten Textframeworks konditioniert. Wir erreichen präzise räumliche und chromatische Kontrolle durch Training mit Beschreibungen, die mit parametrischen Annotationen angereichert sind, ohne architektonische Modifikationen oder Optimierung zur Inferenzzeit. Dies ermöglicht auch intuitive Benutzeroberflächen wie Objektziehen und Farbwähler, die mehrdeutiges, iteratives Prompting durch präzise, vertraute Steuerelemente ersetzen. In umfassenden Evaluationen erreicht BBQ eine starke Ausrichtung an Begrenzungsrahmen und verbessert die RGB-Farbtreue gegenüber state-of-the-art Baseline-Modellen. Im weiteren Sinne unterstützen unsere Ergebnisse ein neues Paradigma, bei dem Benutzerabsicht in eine intermediäre strukturierte Sprache übersetzt wird, die von einem flow-basierten Transformer als Renderer konsumiert wird und numerische Parameter natürlich integriert.
English
Text-to-image models have rapidly advanced in realism and controllability, with recent approaches leveraging long, detailed captions to support fine-grained generation. However, a fundamental parametric gap remains: existing models rely on descriptive language, whereas professional workflows require precise numeric control over object location, size, and color. In this work, we introduce BBQ, a large-scale text-to-image model that directly conditions on numeric bounding boxes and RGB triplets within a unified structured-text framework. We obtain precise spatial and chromatic control by training on captions enriched with parametric annotations, without architectural modifications or inference-time optimization. This also enables intuitive user interfaces such as object dragging and color pickers, replacing ambiguous iterative prompting with precise, familiar controls. Across comprehensive evaluations, BBQ achieves strong box alignment and improves RGB color fidelity over state-of-the-art baselines. More broadly, our results support a new paradigm in which user intent is translated into an intermediate structured language, consumed by a flow-based transformer acting as a renderer and naturally accommodating numeric parameters.