中国科大SCOPE框架实现复杂图像生成新突破

2026年5月，一项由中科大（教育部脑启发智能感知与认知重点实验室）联合香港理工大学、南洋理工大学共同完成的研究以预印本形式发布。该研究精准定位并系统解决了当前AI绘画工具面临的核心痛点：当用户输入复杂、多细节的文本描述时，AI生成的图像总会“遗漏”或“画错”部分关键信息。

当AI画师忘记了自己的承诺

设想这样一个场景：你向一位AI画师提出详细要求：“请画一幅画：左边是一个机器人小偷，右边是一个小孩侦探，中间的玻璃展柜里放着一架宇宙飞船模型，背景墙上挂着一幅宇宙星云壁画，此外，一位身穿银色夹克的馆长正举着一张金唱片。”

要求足够具体。然而，AI在生成过程中，可能会忘记“机器人小偷应在左侧”，忽略“金唱片需被举在手中”，甚至将“宇宙飞船模型”误画为“火箭发射台”。最终得到的图像，局部或许精美，但整体却与你的初衷大相径庭。

这正是当前主流AI图像生成模型（如Stable Diffusion、DALL-E等）普遍存在的“语义遗忘”问题。面对复杂的文本提示（Prompt），模型能够生成视觉上吸引人的图片，但对于描述中明确指定的细节——如物体位置、属性、相互关系等——往往无法准确、完整地兑现。

针对这一难题，研究团队提出并构建了一套名为SCOPE的创新系统。该系统旨在从根本上解决AI“记性差”的问题，确保每一个用户提出的“视觉承诺”都能在最终图像中得到忠实呈现。下面，我们将深入解析SCOPE如何像一位高效的项目经理，统筹整个图像生成流程。

一、症结所在：“概念裂缝”与丢失的语义承诺

要理解问题根源，不妨将复杂图像生成比作一个建筑工程。用户提供了详尽的设计蓝图，标明了所有构件的位置、颜色和尺寸。但施工过程中，不同工种的工人拿到的却是零散甚至不一致的图纸，导致最终建成的房子与蓝图存在诸多偏差。

研究团队将这种现象定义为“概念裂缝”。其本质在于：在从文本到图像的漫长生成链路中，用户最初提出的各项具体要求（即语义承诺）没有被当作统一的、可追踪的独立单元来持续管理。

前期解析出的信息未被有效记录，中期生成结果与原始要求的偏差缺乏核对机制，后期发现问题也难以定位到具体的承诺项进行修复。各个环节的信息处理彼此割裂，如同缺乏沟通的施工团队，最终导致承诺在流程中“丢失”或“变形”。

二、SCOPE核心：构建动态的“承诺档案”

SCOPE的核心理念类似于引入一位顶尖的项目经理。这位经理会为项目的每项要求创建一份动态清单，明确记录其内容、状态（待完成/已完成/需修正），并确保所有环节都基于同一份清单协同工作。

SCOPE正是这样一个“项目经理”。它首先将用户的复杂描述，解析为一份结构化的语义规范。这份规范以三元组形式记录：目标实体（E）、可验证承诺（C）、未解决信息（U）。

• 目标实体：图像中必须出现的对象列表（如“机器人小偷”、“小孩侦探”）。
• 可验证承诺：对实体提出的具体要求，细分为属性（外观、数量）、关系（交互动作）、布局（空间位置）三类约束。
• 未解决信息：标记需要进一步查询或推理才能明确的信息（如某个真实IP角色的具体长相）。

关键在于，这份语义规范是一份活的、可更新的动态档案。生成流程中的每个步骤都会读取并更新它：检索到外观信息则填充，验证发现错误则标记失败，修复成功后则更新状态。整个系统围绕这份共享的档案运作，确保每个语义承诺在整个生命周期内都被持续追踪和管理。

三、四步闭环流水线：确保承诺落地

基于动态承诺档案，SCOPE设计了一条由四个核心模块组成的自动化流水线：

1. 分解器：将自然语言描述解析为初始的结构化语义规范（承诺档案）。
2. 综合器：根据档案当前状态，将已确定的信息整合成一段精确、连贯的文本描述，用于驱动图像生成。
3. 生成器：调用图像生成模型（如SDXL、FLUX等），根据综合器提供的描述生成或编辑图像。
4. 验证器：充当质检员，将生成的图像与承诺档案逐条比对，判断每个实体和约束是否被正确实现，并反馈结果。

这四个模块形成闭环。若验证全部通过，流程结束；若有承诺失败，则进入迭代修复循环，直至所有承诺满足或达到最大迭代轮数（通常为三轮）。

四、三大条件技能：精准解决特定问题

为使系统能应对各类复杂情况，SCOPE配备了三种可被精准调用的条件技能，每种技能都针对档案中特定类型的问题条目：

1. 检索技能：当档案标记某承诺需要外部知识（如真实人物照片、特定产品外观）时激活，通过搜索引擎获取信息并更新档案。
2. 推理技能：当用户描述存在隐含或模糊要求时激活，通过逻辑推理明确具体约束（如“庆祝胜利”可能隐含“笑脸”、“奖杯”等元素）。
3. 修复技能：当验证器报告某承诺失败时激活。采用三种策略之一：重写描述、局部编辑图像、或整体重新生成，实现精准纠错。

这些技能的调用严格以承诺档案为依据，确保每次操作都有的放矢，极大提升了修复效率。

五、Gen-Arena：重新定义“成功”的严格基准

如何公正评估像SCOPE这类系统的性能？研究团队指出，现有评测标准过于宽松，常以“整体观感”打分，忽略了细节错误的严重性。

为此，他们构建了全新的严格评测基准——Gen-Arena。它包含300个涵盖卡通、游戏、体育、娱乐、竞技、典礼六大类别的测试实例，每个都配有详细提示词和人工标注的结构化评测规范，总计包含1954个实体和2533条约束。

其评测标准称为实体门控意图通过率，逻辑极为严格：图像必须首先正确生成所有要求出现的实体；只有全部实体合格，才会进一步检查每个实体上的约束是否满足；任意一个实体缺失或错误，则整个实例判为失败。这杜绝了“大部分正确就算成功”的妥协，真正考验模型“兑现所有承诺”的能力。

六、实验结果：SCOPE大幅领先

在Gen-Arena的严苛测试下，结果对比鲜明：

• 主流直接生成模型表现惨淡：Janus-Pro-7B、SDXL、PixArt-Sigma得分均为0.00；FLUX.1-dev为0.01；表现最佳的Nano Banana Pro也仅为0.21。
• SCOPE显著胜出：整体得分高达0.60，是Nano Banana Pro的近三倍。尤其在体育（0.72）和典礼（0.74）类别中优势明显，这得益于其检索技能对真实人物、场景信息的精准获取。

细粒度分析显示，许多模型单看“实体生成通过率”尚可（如Qwen-Image达0.83），但一旦要求“所有实体及所有约束同时正确”，通过率便骤降至接近零。这印证了复杂图像生成中“细节一致性”的巨大挑战。SCOPE则将实体通过率提升至0.92，约束通过率提升至0.83，从而实现整体突破。

在外部基准如WISE-V（测试世界知识）和MindBench（测试知识推理）上，SCOPE同样领先，证明了其方法具有通用性。

七、消融实验：每个组件都不可或缺

为验证各组件贡献，团队进行了消融实验：

• 仅使用单次直接生成（即无SCOPE框架），得分仅0.21。
• 保留三次生成机会并选最佳结果，得分升至0.40，说明迭代有帮助但有限。
• 关闭检索与推理技能，得分暴跌至0.22，表明缺乏外部知识获取和逻辑推理能力，承诺档案无法被有效填充。
• 仅关闭修复技能，得分为0.42，说明检索和推理对生成质量有基础性提升，但缺乏修复能力仍会限制最终精度。

实验证明，SCOPE的动态档案管理、三大技能与闭环流水线协同作用，缺一不可。

八、局限与展望

研究团队也坦诚指出了SCOPE当前的局限：

1. 效率成本：多轮迭代、多次调用大模型和搜索引擎，导致生成耗时和计算开销远高于单次生成。未来需优化“早停”策略和技能调用选择性。
2. 验证器可靠性：整个系统的修复逻辑依赖于验证器的判断精度。若验证器出现误判（漏报或误报），将导致不必要的修复或遗留错误。提升验证器精度是未来的关键研究方向。

尽管存在挑战，SCOPE的方向是明确的：它通过系统性的工程方法——建立承诺档案、设计条件技能、实施严格验证——将复杂图像生成的“细节兑现率”从靠运气提升到了可管理的水平。对于需要高精度、高一致性的专业图像生成场景，SCOPE为代表的结构化、可追踪生成范式，指明了未来的进化路径。

常见问题解答（Q&A）

Q1：SCOPE与普通AI生图工具有何本质不同？

A1： 核心区别在于是否具备“承诺追踪”能力。普通工具是端到端的“黑箱”生成，无法保证细节一致性。SCOPE则引入了一个结构化的、动态更新的“承诺档案”，将生成过程转化为对档案中每个条目的确认、填充、验证和修复的透明化管理流程，从而确保每个用户要求都被落实。

Q2：为什么在Gen-Arena评测中，基线模型得分普遍极低？

A2： 因为Gen-Arena采用“全对才算对”的严格标准。只要图像中有一个必须出现的实体画错或缺失，无论其他部分多完美，该测试实例即判为失败。这暴露了现有模型在同时满足多重复杂约束方面的能力不足。

Q3：Gen-Arena基准测试覆盖了哪些任务类型？

A3： Gen-Arena包含300个高质量测试实例，覆盖卡通、游戏、体育、娱乐、竞技、典礼六大类别。每个实例都包含自然语言提示和人工标注的结构化规范，共计1954个实体和2533条约束。其中310个实例附有参考图片，专门用于评估模型对真实世界IP角色、标志物等的精确还原能力。