BBQ-to-Image：大規模テキスト生成画像モデルにおける数値バウンディングボックスと色制御

BBQ-to-Image: Numeric Bounding Box and Qolor Control in Large-Scale Text-to-Image Models

February 24, 2026

著者: Eliran Kachlon, Alexander Visheratin, Nimrod Sarid, Tal Hacham, Eyal Gutflaish, Saar Huberman, Hezi Zisman, David Ruppin, Ron Mokady

cs.AI

要旨

テキストから画像への生成モデルは、現実味と制御性において急速に進歩を遂げており、最近のアプローチでは、細粒度の生成を支援するために長く詳細なキャプションが活用されている。しかし、根本的なパラメトリックギャップが残っている。既存のモデルは記述的な言語に依存しているのに対し、専門的なワークフローでは、オブジェクトの位置、サイズ、色に対する正確な数値制御が要求される。本研究では、統一された構造化テキストフレームワーク内で、数値的なバウンディングボックスとRGB三組値を直接条件付けする大規模テキスト画像モデル「BBQ」を提案する。パラメトリックな注釈で強化されたキャプションを用いて学習することで、アーキテクチャの変更や推論時の最適化を必要とせず、正確な空間的・色彩的制御を実現する。これにより、オブジェクトのドラッグやカラーピッカーといった直感的なユーザーインターフェースが可能となり、曖昧で反復的なプロンプト入力を、正確で慣れ親しんだ制御に置き換える。包括的な評価を通じて、BBQは強力なボックスアライメントを達成し、最先端のベースラインと比較してRGB色再現性を向上させることを示した。より広義には、我々の結果は、ユーザーの意図が中間構造化言語に変換され、レンダラーとして機能するフローベースのトランスフォーマーによって消費され、数値パラメータを自然に受け入れる新たなパラダイムを支持するものである。

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.