BBQ-para-Imagem: Controle Numérico de Caixas Delimitadoras e Cores em Modelos de Grande Escala de Texto-para-Imagem
BBQ-to-Image: Numeric Bounding Box and Qolor Control in Large-Scale Text-to-Image Models
February 24, 2026
Autores: Eliran Kachlon, Alexander Visheratin, Nimrod Sarid, Tal Hacham, Eyal Gutflaish, Saar Huberman, Hezi Zisman, David Ruppin, Ron Mokady
cs.AI
Resumo
Os modelos de texto-para-imagem avançaram rapidamente em realismo e controlabilidade, com abordagens recentes a aproveitar legendas longas e detalhadas para suportar geração de granularidade fina. No entanto, persiste uma lacuna paramétrica fundamental: os modelos existentes dependem de linguagem descritiva, enquanto os fluxos de trabalho profissionais exigem controlo numérico preciso sobre a localização, dimensão e cor dos objetos. Neste trabalho, introduzimos o BBQ, um modelo de texto-para-imagem de grande escala que se condiciona diretamente a caixas delimitadoras numéricas e trios RGB dentro de uma estrutura de texto estruturado unificada. Obtemos controlo espacial e cromático preciso através do treino com legendas enriquecidas com anotações paramétricas, sem modificações arquitetónicas ou otimização no momento da inferência. Isto também permite interfaces de utilizador intuitivas, como o arrastar de objetos e seletores de cor, substituindo a promptagem iterativa ambígua por controlos precisos e familiares. Em avaliações abrangentes, o BBQ alcança um forte alinhamento de caixas e melhora a fidelidade da cor RGB em relação às linhas de base state-of-the-art. De forma mais ampla, os nossos resultados suportam um novo paradigma no qual a intenção do utilizador é traduzida para uma linguagem estruturada intermédia, consumida por um transformer baseado em fluxo que atua como um renderizador e acomoda naturalmente parâmetros numéricos.
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.