西交大与A*STAR合作研究：AI多图生成如何保持一致性

你是否遇到过这样的困扰：用AI生成角色形象时，第一张图令人惊艳，第二张就开始走样，第三张干脆“换了个人”？让它创作一套系列海报，单看每张都不错，但组合在一起却风格各异、难以统一。在绘制故事分镜时，人物形象更是飘忽不定，可能仅仅修改了服装颜色，角色的脸型也随之改变。

这些看似细微的“不一致”问题，在实际的工业化应用场景中却是致命的。无论是IP角色设计、品牌视觉系统构建、系列化内容生产，还是工业设计、医疗影像分析，其核心诉求从来不是某一张图的极致效果，而是整个序列图像在身份、风格、逻辑等多个维度上的高度稳定与统一。

问题的根源在于，当前主流的图像生成模型，其能力范式仍局限于“单次生成优化”。它们擅长将单张图画好，却无法理解哪些核心特征必须在跨图像的序列中保持恒定。简而言之，模型缺乏的不是“绘画技巧”，而是一种对跨图像关系的“稳定建模”能力。这正是生成式AI从单点炫技走向规模化、工业化落地所必须突破的关键瓶颈。

针对这一核心挑战，西安交通大学与新加坡A*STAR的研究团队开创性地提出了一种全新解决方案。他们没有沿用传统的单图评分或图文对齐思路，而是将一致性问题重新定义为“跨图像比较”的学习任务。其核心研究成果《PaCo-RL: Advancing Reinforcement Learning for Consistent Image Generation with Pairwise Reward Modeling》提出，通过构建一个基于成对比较的奖励模型，让AI学习人类在进行一致性判断时所依赖的相对关系和多维标准，再结合强化学习技术，将这种精准的判断能力反向赋能给图像生成过程，从而形成一个从“学会判断一致性”到“实现稳定生成”的完整技术闭环。

从「不会判断」到「稳定生成」：一条完整的技术证据链

整个研究的实验验证，构成了一条逻辑严密、数据扎实的技术演进证据链。

首先，团队通过基准测试对比发现，现有主流模型普遍缺乏真正的跨图像一致性理解能力。在权威的ConsistencyRank基准测试中，大模型Qwen2.5-VL-7B的准确率仅为0.344，甚至落后于传统方法CLIP-I（0.394）和DreamSim（0.403）。这揭示了一个关键事实：通用大模型虽具备强大的图文理解力，但在需要综合比较身份、风格、逻辑等多维因素的一致性判断专项任务上，存在明显短板。一致性，是一种需要专门训练才能获得的专项技能。

基于此洞察，研究团队成功训练了专用的PaCo-Reward模型。测试结果显示，该模型在ConsistencyRank上的准确率大幅提升至0.449，相比原模型提升超过10个百分点，其Spearman相关系数也达到0.288，显著优于所有对比方法。这表明，该模型在排序判断上更贴近人类的视觉直觉和评判标准。

在进一步的EditReward-Bench测试中，PaCo-Reward在一致性指标上达到0.709，整体指标高达0.751，不仅超越了所有开源对比方法，甚至接近GPT-5的顶级表现。这有力证明了该模型具备了优秀的跨任务泛化能力，而非对训练数据的简单记忆。

随后，研究人员将这一高性能奖励模型引入强化学习训练框架，在真实的生成任务中验证其效能。在Text-to-ImageSet（文本到图像集）生成任务中，模型的一致性指标整体提升了约10.3%到11.7%，在身份一致性、风格一致性、逻辑一致性等多个细分维度均有显著改善。在GEdit-Bench图像编辑任务中，语义一致性和提示跟随质量指标也持续提升。例如，在Qwen-Image-Edit模型上，整体分数从7.307提升至7.451，且在多语言设置下也表现出一致的改进趋势。这证明，该方法在显著提升生成一致性的同时，并未牺牲单张图像的生成质量。

在训练效率与优化稳定性方面，研究也取得了重要突破。采用创新的低分辨率训练策略后，以512分辨率训练约6小时即可达到1024分辨率训练约12小时的效果，显著降低了计算成本。同时，针对传统多奖励加权方法容易导致某一奖励主导优化、破坏平衡的问题，改进后的方法能将各项奖励的比例稳定控制在1.8倍以内，确保了多目标优化过程的平衡与稳定。

综合来看，这项研究不仅成功训练出能精准建模人类一致性判断的专用模型，更将其高效应用于生成模型的优化中，在保证训练效率与稳定性的前提下，实现了生成一致性的显著提升，形成了一个完整、可行且高效的技术闭环。

从可解释判断，到可控生成：分阶段技术路径详解

整个PaCo-RL技术路径可以清晰地划分为两个核心阶段：第一阶段攻克“如何精准判断一致性”，第二阶段实现“如何稳定生成一致性”。

第一阶段的核心挑战在于高质量数据的构建。一致性判断主观性强，涉及身份、风格、构图、逻辑等多个维度，难以用统一、绝对的规则进行标注。为此，团队设计了一套结合自动化生成与精细化人工标注的数据构建流程。

具体而言，他们首先利用现有生成模型构建了约2000条多样化的文本提示词，并筛选出708条具有高度代表性和挑战性的作为核心数据源。基于这些提示词，批量生成包含内部一致性的图像网格。关键创新在于“拆分与组合”策略：将每个图像网格划分为多个子图，并在不同网格的子图之间进行系统性组合，从而构造出海量具有不同一致性关系的图像对。这一方法从708个提示词和2832张基础图像出发，最终高效构造出33984个高质量的排序样本，极大地扩充了数据集规模与多样性。

随后，由6名经过培训的标注人员依据视觉直觉（而非刻板规则）对这些样本进行细致排序标注。为了适配模型训练，这些排序数据被进一步转换为成对比较的形式，即拆解为大量“图像A与图像B是否一致”的二分类判断样本，最终得到超过54624个高质量图像对。每个样本都配有详细的推理解释文本，极大地增强了数据的可解释性和模型的学习深度。

在模型架构设计上，研究团队摒弃了传统的“输入图像输出标量分数”的回归思路，创造性地将一致性判断建模为一个条件生成任务。在PaCo-Reward模型中，输入两张图像及对应文本，模型需要生成“Yes”或“No”的判断，并附上一段完整的推理过程。这种设计巧妙地将复杂的视觉判断问题转化为语言生成问题，既能直接利用视觉语言模型强大的生成与推理能力，也极大地提升了模型决策的可解释性与稳定性——模型必须同时学习判断结果及其背后的逻辑依据。

第二阶段聚焦于“如何生成”。研究引入了经典的强化学习框架：生成模型根据输入提示生成图像集，由训练好的PaCo-Reward模型进行评分，生成模型再根据评分信号（奖励）更新自身参数，形成一个类似人类通过反馈不断学习、迭代优化的闭环过程。

在此过程中有两个关键优化：一是分辨率解耦策略，即在训练奖励模型时使用低分辨率图像进行采样优化，在最终推理生成时再输出高分辨率图像，大幅降低了计算开销。二是奖励平衡策略，通过对波动范围较大的奖励信号进行动态压缩处理，有效解决了多目标优化中因奖励尺度差异而导致的训练偏移问题，确保了整个优化过程的稳定与收敛。

最终，在多图生成和图像编辑等多类任务上的综合验证表明，该方法在身份、风格、逻辑一致性上均有显著提升，并能智能地平衡局部细节修改与整体特征保持之间的关系。

从单点生成到关系建模：AI图像生成的范式演进

这项研究的价值，远不止于论文中技术指标的提升，它正在悄然改变我们使用AI进行视觉创作的底层体验与可能性。

首先，它精准命中了“多图一致性”这一长期制约AI创作实用化的核心痛点。过去，AI或许能生成一张令人惊叹的“孤品”，但无法胜任需要连续、稳定输出的系列化创作任务，如角色设计、品牌视觉系统、漫画分镜或游戏素材生产。这项研究让AI真正具备了“连续创作”和“系列化输出”的能力，推动AI绘画从“炫技玩具”走向“实用生产工具”。

其次，它引入了一种更接近人类认知习惯的学习机制——通过比较来学习，而非直接打分。这意味着模型变得更“懂”人类的审美偏好和主观判断标准，能更自然地理解“像不像”、“统一不统一”、“协调不协调”这类模糊概念，从而生成更符合创作者预期和商业要求的稳定结果。

再者，它通过一系列工程优化，切实推动了强化学习在图像生成领域的实用化进程。低分辨率训练、奖励平衡等机制，在显著提升效果的同时，大幅降低了计算成本和训练难度。这为该项能力更快地集成到实际AI绘画工具、设计软件中铺平了道路，未来普通用户有望直接体验到更稳定、更可控、更一致的图像生成效果。

从更宏观的视角看，这项研究构建了一种“生成-评价-优化”的智能闭环机制。未来的AI图像生成系统不再只是一个被动的、需要反复调试提示词的工具，它能在生成过程中进行“自我检查”、“自我评估”并持续优化。对用户而言，这意味着创作门槛的极大降低，AI能够自动理解并修正系列图像中的偏差，智能地逼近用户的创作意图，实现真正意义上的智能辅助创作。

构建PaCo-RL的研究团队

这篇重要论文的共同第一作者是平博文和贾成铕。贾成铕目前是西安交通大学计算机科学与技术学院的博士研究生（已进入博士阶段后期），师从罗敏楠教授，并与常晓军教授保持紧密合作研究，未来将加入腾讯混元大模型的“青云计划”。他曾在新加坡进行学术访问研究，并在上海人工智能实验室担任研究实习生。其研究方向长期聚焦于计算机视觉与多模态人工智能领域，特别是在视觉生成的一致性、可控性以及AI智能体相关问题上，已在本领域顶级会议和期刊如CVPR、AAAI、ACL等发表多篇学术论文。

论文的通讯作者钱航薇博士，目前在新加坡A*STAR（新加坡科技研究局）下属的前沿人工智能研究中心从事研究工作。她的研究方向广泛涵盖多模态大语言模型、面向科学研究的AI、生成式AI与智能体系统，以及可信与可解释人工智能等前沿方向，并在AAAI、IJCAI、KDD等国际顶级会议和期刊上发表了多项具有影响力的研究成果。