BBQ-to-Image: Числовое ограничивающее окно и управление цветом в крупномасштабных моделях генерации изображений по тексту

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

February 24, 2026

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

cs.AI

Аннотация

Модели текст-изображение быстро развиваются в плане реалистичности и управляемости, при этом современные подходы используют длинные, детализированные описания для поддержки детализированной генерации. Однако сохраняется фундаментальный параметрический разрыв: существующие модели опираются на описательный язык, тогда как профессиональные рабочие процессы требуют точного численного контроля над местоположением, размером и цветом объекта. В данной работе мы представляем BBQ — крупномасштабную модель текст-изображение, которая напрямую использует числовые ограничивающие рамки и RGB-триплеты в рамках единой структурированной текстовой системы. Мы достигаем точного пространственного и цветового контроля путем обучения на описаниях, обогащенных параметрическими аннотациями, без модификаций архитектуры или оптимизации на этапе вывода. Это также позволяет реализовать интуитивно понятные пользовательские интерфейсы, такие как перетаскивание объектов и выбор цветов, заменяя неоднозначное итеративное prompting точными и привычными элементами управления. По результатам всесторонних оценок, BBQ демонстрирует высокую точность соответствия ограничивающим рамкам и улучшает достоверность RGB-цветов по сравнению с передовыми базовыми методами. В более широком смысле, наши результаты подтверждают новую парадигму, в которой пользовательский замысел преобразуется в промежуточный структурированный язык, обрабатываемый трансформером на основе потоков, выступающим в роли рендерера и естественным образом accommodating числовые параметры.

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.