轨迹强迫：具有可控语义轨迹的第一代结构

扩散和基于流的生成模型产生强大的图像，但它们的可控性仍然主要以端点为中心：用户指定条件并接收最终输出，而中间生成动态仍然隐藏。最近的方法已经开始利用生成顺序和过程分解来提高样本质量，但仍然将中间状态视为内部计算而不是交互对象。我们提出了轨迹强制（TF），一个以轨迹为中心的框架，使生成路径变得明确、语义化和可编辑。 TF 将综合组织为一系列语义结构化阶段，从全局布局进展到对象、部分和细节级表示。每个阶段都会产生一个可解码的潜在状态，可以在下一阶段开始之前对其进行检查、评估和本地编辑。为了实例化这条路径，我们通过聚类预训练的视觉表示（例如 DINOv2）来导出从粗到细的教师层次结构，并在每个级别训练一个层次结构条件的单步流匹配模型。我们进一步引入了轨迹感知指标，用于衡量 FID 等端点质量指标之外的结构一致性和局部可控性。实验表明，TF 实现了有竞争力的样本质量，同时暴露了连贯的中间状态并支持跨语义级别的本地化编辑。通过将焦点从最终图像转移到生成路径本身，TF 开辟了一条通往可控、轨迹感知图像合成的道路。