AI绘画领域迎来重要突破，小红书与复旦大学联合研发的InstanceAssemble技术，在布局控制生成方向实现关键进展。这项基于扩散变换器架构的创新方案，通过引入"实例拼装注意力"机制，成功解决了复杂场景下图像生成的布局对齐难题，相关研究成果已被国际顶级学术会议NeurIPS 2025收录。
传统布局控制生成技术面临三大挑战：物体位置偏移、语义理解偏差以及计算资源消耗过大。研究团队针对这些痛点，开发出无需模型重训练的轻量化适配方案，仅需增加约7100万个参数（相当于Stable Diffusion3-Medium模型的3.46%），即可实现高精度布局控制。当适配Flux.1模型时，额外参数需求更降至0.84%，显著降低技术落地门槛。
该技术的核心创新在于构建了动态实例注意力网络。用户输入边界框坐标与物体描述后，系统会先定位空间关系，再通过语义解码器生成符合物理规律的图像内容。实验数据显示，在包含90万个实例的密集场景测试中，InstanceAssemble的布局准确率较现有方法提升42%，语义一致性指标提高37%。即使在训练时仅接触稀疏布局（≤10个实例），面对密集场景（≥10个实例）仍能保持稳定性能。
为建立标准化评估体系，研究团队同步推出Denselayout基准测试集和Layout Grounding Score（LGS）评估指标。该测试集包含5000张高分辨率图像和9万个标注实例，覆盖室内设计、城市景观等八大场景。LGS指标通过三维空间匹配度、语义关联性等六个维度，实现了对布局生成质量的量化评估。
目前，这项技术已实现完整开源，代码库和预训练模型均可在GitHub平台获取。实际应用测试表明，在广告设计领域，设计师通过调整边界框参数，可将单张海报的制作时间从3小时缩短至45分钟；在动漫创作场景中，分镜脚本到视觉画面的转化效率提升60%。技术团队表示，未来将持续优化多物体交互关系的生成逻辑，探索在虚拟制片、工业仿真等领域的延伸应用。
