近日，一篇题为《LCG: Long-Context Consistent Image Generation with Sparse Relational Attention》的论文以预印本形式发布在 arXiv 上，编号为 arXiv:2606.26171，提交时间为 2026 年 6 月 24 日（UTC 09:34:10），全文约 15,980 KB。论文由 Zihao Wang 领衔，共六位作者合作完成，归类于计算机视觉与模式识别（cs.CV）领域，并同时交叉涉及人工智能（cs.AI）。研究聚焦于当前图像生成模型的一个关键短板：虽然单张图像的合成质量已经相当出色，但模型在生成一系列连续画面时往往难以保持前后一致，而这恰恰是漫画、故事板以及视觉叙事等应用的基本要求。
针对这一问题，作者提出了长上下文生成框架（Long-Context Generation，简称 LCG），用于长上下文的多图文本到图像生成，目标是在提升一致性的同时兼顾可扩展性。LCG 的核心之一是稀疏关系注意力机制（Sparse Relational Attention，SRA）。该机制能够在扩展后的视觉上下文中选择性地关注核心特征，而不是对所有历史信息进行全量计算，从而使语义与布局信息在长序列中的传播保持在计算上可处理的范围内。这一设计回应了长上下文生成中最直接的矛盾：上下文越长，一致性所需的跨图依赖越多，但计算成本也随之急剧上升。
在语义对齐方面，作者引入了路由一致性约束（Routing Consistency Constraint，RCC）。该方法借助身份感知掩码（identity-aware masks），在不同生成分支之间对齐结构模式，从而有效缓解外观漂移问题，即便是在包含多个角色的复杂场景中也能保持稳定。对于需要同一人物贯穿多幅画面的漫画与故事板而言，这一约束直接针对角色身份在长时间生成中逐渐失真的痛点。
为了支撑该设定下的训练与评测，研究团队构建了长上下文一致性数据集（Long-Context Consistency Dataset，简称 LCCD）。这是一个大规模合成数据集，由以角色为中心的多图序列组成，覆盖多种情境场景。LCCD 包含 60 万条训练序列，以及独立的 1000 条测试集，每条序列包含 6 到 20 张图像。这一规模与序列长度设置，使模型能够在较长的时间跨度上接受一致性训练，并为评测提供统一基准。
实验结果表明，在长上下文图像生成任务中，LCG 在提示词对齐和角色一致性两方面均优于所对比的基线方法，在多角色场景下同样表现良好。论文提供了 PDF 与实验性 HTML 版本，并给出了 DOI（https://doi.org/10.48550/arXiv.2606.26171），该 DOI 由 DataCite 发放，目前尚待注册。读者可通过 arXiv 页面查看全文、TeX 源码及许可信息，并借助 NASA ADS、Google Scholar、Semantic Scholar 等工具追踪引用情况。