一次重写修复所有问题？文生图提示优化的类型感知修复分配

文生图（T2I）生成器常不能忠实遵循提示：产出错误的数量、交换的属性、含糊的关系与不可读的文字。提示优化通过重写用户提示修复此类失败，无需生成器重训练，已见成效。但现有优化器把异质失败吸收为单一统一的提示扩展，尽管每种失败需要不同的修复语言。我们把语义提示优化形式化为原子修复分配：每个失败的命题被路由到类型条件化的修复算子，随后把所得局部约束编译为一个可执行提示。我们在免训练的类型感知修复分配（TARA）框架中实例化该形式化：分离诊断、分配、编译与语义修复门——对恰一处规定修复的接受或回退控制器，防止语义回退。在DSG与TIFA上、跨四个冻结生成器的大量实验显示：TARA在全部八个基准—生成器单元中取得最佳语义准确率，在DSG与TIFA上分别较VisualPrompter提升5.6与2.6分，同时保持图像质量，并在匹配的本地设置中运行最快（每提示16.0秒对20.0秒）。