文字到影像 (T2I)

深度分析

PromptEcho：以凍結 VLM 的逐詞交叉熵作為 RL 獎勵，提升 T2I 提示遵從

文本到影像生成仍難確保圖像和提示精準對應；PromptEcho利用凍結視覺語言模型的逐字交叉熵，直接擷取預訓練中編碼的圖文對齊知識，無需人工標註或額外訓練，可改善屬性綁定、空間關係與計數等細節；在DenseAlignBench與多項基準顯著提升提示遵從度。