2026年6月24日、Zihao Wang氏ら6名による論文「LCG: Long-Context Consistent Image Generation with Sparse Relational Attention」がarXivに投稿された。この研究は、長コンテキストのマルチ画像テキストto画像生成に焦点を当て、既存モデルが単一画像の合成では高い品質を達成する一方で、漫画や絵コンテ、視覚的ナラティブなど、連続出力間の一貫性が求められる場面では失敗しがちであるという問題を扱っている。
論文ではLong-Context Generation（LCG）フレームワークを提案する。中核となるのはSparse Relational Attention（SRA）機構で、拡張された視覚コンテキスト全体から核心的な特徴を選択的に注目することで、意味情報とレイアウト情報の伝播を計算可能な範囲に保つ。さらに、意味的整合性を強化するため、Routing Consistency Constraint（RCC）を導入する。これは識別対応マスクを活用し、生成分岐間で構造パターンを整列させることで、複雑な多キャラクター場面でも外観のドリフトを効果的に軽減する。
この設定での訓練と評価を支援するため、研究チームはLong-Context Consistency Dataset（LCCD）を構築した。これはキャラクター中心のマルチ画像シーケンスからなる大規模合成データセットで、多様な状況コンテキストを網羅する。LCCDには60万の訓練シーケンスと独立した1千のテストセットが含まれ、各シーケンスは6〜20枚の画像で構成される。
実験の結果、長コンテキスト画像生成において、多キャラクター場面を含め、LCGがプロンプト整合性とキャラクター一貫性で比較ベースラインを上回ることが示された。本論文はコンピュータビジョンとパターン認識（cs.CV）および人工知能（cs.AI）に分類され、arXiv:2606.26171 [cs.CV]として登録され、DOIはhttps://doi.org/10.48550/arXiv.2606.26171である。