arXiv 於 2026 年 10 月 26 日釋出了編號為 2610.36146 的論文《從結構反饋到提示策略：學習忠實的文本到影像提示編輯器》，第一作者為 Wentao Ye，共有十位作者合作完成。該論文歸類於人工智慧方向（cs.AI），全文約 9 MB，提供 PDF、實驗性 HTML 以及 TeX 原始碼等訪問方式，DOI 為 10.48550/arXiv.2610.36146，由 DataCite 發放（尚待註冊）。
論文關注的是文本到影像生成中的一個關鍵矛盾：提示詞最佳化的目標應當是改善使用者最終得到的影像，同時不改變使用者所要求的場景內容。然而現實中，帶有風格化色彩的改寫往往會削弱畫面中物體的屬性以及物體之間的關係，即便整體文本與影像之間的相似度仍然維持在較高水平，這種失真也很難被察覺。換言之，通用的相似度指標會掩蓋結構性資訊的流失。
為解決這一問題，作者提出了 StruPO，一種結構感知的提示編輯器。其核心思路是使用經過校準的場景圖作為共享表示，同時服務於兩個目的：一是作為策略的條件輸入，二是作為基於影像的真實監督訊號。場景圖明確指出了哪些內容必須被保留，而刪除、重排序與插入這三種操作則提供了與詞元對齊的提示修改方式。透過這種方式，結構反饋不再只是外部給出的批評意見，而被轉化為可訓練訊號，用於學習一個可複用的編輯策略。
作者指出，要從這類訊號中學習，必須同時應對兩類不確定性：一是場景圖接地本身可能不可靠，二是影像生成過程具有隨機性。為此，StruPO 透過平滑的獎勵塑形來保留接地置信度，並在計算組相對優勢之前，對每一次編輯所對應的多張生成影像取平均，以降低生成噪聲對訓練訊號的干擾。
實驗設定覆蓋三個互不重疊的 2K 提示測試集，以及四個凍結的生成骨幹模型。對比物件包括已學習的提示最佳化器、迭代式結構反饋方法、擴散模型微調以及推理階段的注意力控制方法。結果顯示，StruPO 改善了忠實度與美學之間的權衡，並在關係保真度上取得了一致的提升。
除自動評估外，作者還引入了獨立自動評估器與一項由 15 名標註者參與的人體研究，兩類證據相互補充。值得注意的是，隨著關係複雜度的提高，人類偏好上的領先幅度也隨之擴大，說明該方法在結構更復雜的場景中更具優勢。
消融實驗進一步將效能增益分別歸因於圖條件化、區域性編輯以及基於影像的學習這三個組成部分。最終得到的策略在完成圖校準之後，可以在一次前向過程中直接生成可複用的最佳化文本，無需再進行“批評—重寫”的迭代迴圈，這為實際部署帶來了效率上的優勢。
論文提交時間為 2026 年 10 月 26 日 18:50:50 UTC。作者在 arXiv 頁面上還提供了音訊摘要等附加功能，並可透過 Semantic Scholar、Google Scholar、Connected Papers 等外部工具檢視引用與相關文獻資訊。