当前的T2I模型，如Stable Diffusion和DALL-E，虽然在生成高分辨率、逼真图像方面取得了成功，但在空间一致性方面存在不足。这些模型往往无法精确地按照文本提示中描述的空间关系来生成图像。为了解决这一问题，研究人员进行了深入分析，并提出了创新的解决方案。 识别问题：现有视觉-语言数据集中空间关系的不足 在构建文本到图像模型时，一个核心挑战是确保生成的图像能够精确地反映文本描述中的