由哈尔滨工业大学与华为诺亚方舟实验室联合研发的哈工最新成果，以预印本形式于2026年6月30日发布于arXiv平台（编号：arXiv:2606.31924）。大联的颜该研究聚焦于计算机视觉领域的手华色和可控图像生成，旨在解决多实例场景下的杂图属性混淆难题。

痛点直击：AI绘图中的片里“属性张冠李戴”

想象这样一个场景：你希望AI基于参考图，生成包含六位角色的精准复杂画面——左侧是身着红金战甲的钢铁侠，右侧是区分蓝白战袍的蜘蛛侠，中间则是人物冰蓝色礼服的艾尔莎。然而，细节当输入提示词后，哈工生成的大联的颜图像往往出现严重错位：钢铁侠穿上了蓝色衣服，蜘蛛侠变成了金色，手华色和艾尔莎的杂图裙摆染上了红色。这种颜色、片里服装乃至人物特征的精准混乱搭配，被业界称为“属性混淆”（Attribute Confusion）。

场景越复杂、人物越多，AI越容易像一位健忘的服装助理，无法将特定的戏服分配给正确的演员。

传统解决方案通常要求用户对每个角色进行手动标注（如绘制边界框或分割蒙版），以明确指示“此处为A，彼处为B”。然而，在包含十几个人物的复杂场景中，这种操作不仅耗时费力，且对普通用户极不友好。

针对这一痛点，研究团队提出了InstanceControl框架。其核心创新在于摒弃人工标注，引入视觉语言模型（VLM）作为“中间人”，自动解析文字描述与图像区域之间的对应关系，构建起精准的“属性隔离机制”。实验表明，InstanceControl不仅在无需人工标注的方法中表现卓越，其部分指标甚至超越了依赖人工标注的专业工具。

一、 技术背景：为何AI难以处理多实例场景？

主流图像生成工具（如基于FLUX或Stable Diffusion的ControlNet系列）通常采用“文字描述+视觉条件图”的双输入模式。视觉条件图（如Canny边缘图、深度图）提供空间布局，文字描述提供语义内容。

• 单/少实例场景：AI能较准确地将属性映射到指定位置。
• 多实例场景：当画面中出现多个相似实例时，AI缺乏“实例级对应机制”，导致指令混淆。例如，无法区分“红色战甲”应归属于“钢铁侠”还是“蜘蛛侠”。

现有改进路线主要分为两类：
1. 人工标注路线：如EliGen、CreatiLayout等，要求用户手动提供边界框或分割蒙版，虽效果较好但操作门槛高。
2. 无标注路线：如FLUX ControlNet，依赖模型自身理解，但在复杂多实例场景下效果显著下降。

InstanceControl选择了第三条路径：无需人工标注，也不放任模型自由发挥，而是通过视觉语言模型自动完成实例级的语义对齐。

二、 核心架构：两阶段流水线

InstanceControl的工作流程分为两个紧密衔接的阶段，实现从“语义解析”到“图像生成”的精准控制。

第一阶段：实例级语义对齐（“点名”与“对号入座”）

此阶段旨在建立文字描述与视觉条件图中具体区域的一一对应关系。

挑战：现有视觉语言模型（如LISA）多针对真实照片优化，要求图文语义高度一致。但在InstanceControl中，视觉条件图可能仅为黑白轮廓（无颜色信息），而文字描述却包含丰富的色彩属性（如“红金战甲”），这种“语义不对齐”导致传统工具失效。

解决方案：
1. 专用数据集与微调：构建专用训练集，微调视觉语言模型，使其具备处理“轮廓+丰富语义”的能力。
2. 类比式数据增强：利用AI工具将图像实例替换为语义相似但视觉不同的类别（如猫换狗），制造大量非直接匹配样本，强化模型的深层推理能力。
3. Sa2VA架构实现：
* 整合SAM（Segment Anything Model）与大型视觉语言模型。
* 输入视觉条件图和文字，VLM生成包含SEG标记（分割标记）和实例编号的结构化响应。
* 提取SEG标记对应的隐藏向量，输入SAM解码器，生成实例分割蒙版及置信度分数。

关键创新：共享SEG标记策略
针对同一人物在长文本中多次提及的情况（如先提上衣，后提手提包），若生成独立SEG标记会导致蒙版冲突。InstanceControl将同一实例的所有SEG标记特征向量拼接，作为统一表示输入SAM，确保最终生成的区域蒙版连贯一致。

第二阶段：动态蒙版精炼与注入

第一阶段生成的蒙版可能存在不完整、偏移或漏检等问题。直接将其作为硬性约束会损害生成质量。

蒙版精炼模块：
* 逻辑：高置信度时信任预测蒙版，低置信度时参考生成模型的“直觉”（交叉注意力图）。
* 实现：设计轻量级U-Net网络，输入预测蒙版、注意力蒙版、置信度及潜在特征，输出精炼蒙版。
* 双重注意力机制：同时考虑实例内部一致性与多实例间的空间关系。

对应蒙版矩阵（Correspondence Mask Matrix）：
* 作用：为图像生成模型的注意力机制施加精准过滤器。
* 机制：
* 实例A像素仅关注描述A的文字标记。
* 背景像素自由关注所有标记。
* 不同实例间像素强制隔离，防止属性渗透。
* 技术实现：矩阵以对数形式加入注意力计算分子。值趋近1时正常计算；趋近0时压制权重至负无穷，切断错误信息流动。

该阶段基于FLUX框架通过LoRA微调实现，先在真实蒙版上训练基础能力，再在预测蒙版上训练精炼模块。

三、 数据工程：五万张图的精心构建

高质量数据是模型性能的基础。针对现有数据集描述简短、实例分离的问题，研究团队构建了专用数据集：

1. 数据筛选：从SAM、COCO、UniWorld-V1中精选5万张图像，过滤无效蒙版，确保平均每图约11.64个实例。
2. 长文本生成：调用Gemini 2.5 Pro生成平均183词的详细描述，确保每个实例属性刻画细致。
3. 对应关系提取：再次调用Gemini 2.5 Pro，结合蒙版可视化效果，从长文本中精确提取实例关键名词短语，建立图文对应。
4. 对比增强数据：利用Nano Banana生成超1000个“语义相似但视觉不同”的对比样本（如蓝夹克换绿外套），提升模型鲁棒性。
5. 多模态视觉条件：为每张图提取Canny边缘、深度图、HED边缘三种条件，增强模型泛化能力。

四、 实验结果：量化优势显著

研究团队在MIG-Eval（自建基准，5400张测试图）和COCO-POS（公开基准）上进行了全面评估，指标涵盖空间对齐（MIoU）、区域质量（Local CLIP, Accuracy）和全局质量（FID, ImageReward）。

1. 对比无标注方法

在Canny边缘条件下，InstanceControl相比FLUX ControlNet提升显著：
* 空间对齐度 (MIoU)：0.6526 → 0.8250
* 颜色准确率：73.30% → 87.78%
* 形状准确率：73.93% → 88.19%
* 纹理准确率：79.24% → 90.88%
* Local CLIP：16.48 → 18.51
* FID：14.04 → 10.03(越低越好)

在深度图和HED条件下，提升幅度相似，证明该方法不依赖特定视觉条件类型。

2. 对比有标注方法

InstanceControl（无标注版）甚至超越了部分需人工标注的方法：
* 颜色准确率：
* EliGen (需标注)：84.98%
* CreatiLayout (需标注)：80.87%
* InstanceControl (Canny)：87.78%
* InstanceControl (HED)：88.75%

这表明自动化对应建立已具备与人工标注竞争的实力，且用户无需付出额外标注成本。

3. 对比统一模型

在300张随机测试中，InstanceControl在MIoU、Local CLIP、颜色/形状/纹理准确率、ImageReward和FID七项指标上，均优于Qwen-Image ControlNet和Nano Banana。

五、 消融实验：验证设计价值

1. 共享SEG标记策略

移除该策略后，MIoU降至0.8214，颜色准确率降至85.89%。证明统一处理同一实例的多次描述，对颜色和形状等分散属性的控制至关重要。

2. 蒙版精炼模块

对比三种方案：
* 直接预测蒙版：颜色准确率84.88%，FID 10.93
* 线性插值蒙版：颜色准确率85.91%，FID 10.06
* 精炼蒙版：颜色准确率87.78%，FID 10.03

精炼模块通过内部注意力机制，有效捕捉了复杂场景中的多实例交互，优于简单的加权平均。

3. 阶段关联性

第一阶段MIoU达0.71，且与第二阶段属性准确率正相关。蒙版精炼模块对“蒙版不完整”具有强鲁棒性，能将Accuracy从87.97%提升至90.10%。

六、 交互修正：人机协作的灵活性

为弥补自动预测的不足，InstanceControl提供了交互式蒙版修正功能：
* 操作：当自动预测不准时，用户可在视觉条件图上点击点位或绘制边界框。
* 效果：系统结合用户输入重新预测蒙版。
* 案例：在三件外套场景中，用户仅需点击红色派克大衣区域，系统即可修正蒙版，精准还原该大衣的视觉特征。

这一功能在自动化效率与精准可控性之间取得了最佳平衡。

结语

InstanceControl通过让AI自主建立文字与图像的精准对应关系，优雅地解决了多实例场景下的属性混淆难题。对于普通用户，这意味着无需繁琐标注即可生成角色特征鲜明的复杂图像；对于专业创作者，这项技术提供了前所未有的精确控制能力。

• 论文链接：arXiv:2606.31924
• 项目主页：instancecontrol.github.io/InstanceControl

Q&A

Q1：InstanceControl和普通ControlNet有什么核心区别？
A：普通ControlNet缺乏实例区分机制，易在多角色场景中混淆属性。InstanceControl增加了自动建立“文字-区域”精准对应的前置阶段，实现逐人物的精准绑定，避免属性张冠李戴。

Q2：InstanceControl生成复杂图片需要用户手动操作吗？
A：基本无需手动标注区域。用户只需提供视觉条件图和文字描述。仅在自动预测不准时，用户可选择点击或画框进行辅助修正，此为可选功能。

Q3：InstanceControl的训练数据是如何构建的？
A：从SAM、COCO、UniWorld-V1精选5万张图，利用Gemini 2.5 Pro生成详细长文本并提取实例对应短语。此外，通过图像编辑工具生成超1000个“图文非直接对应”的对比样本，以增强模型的泛化与推理能力。