一、图像生成基础模型

Lumina-Image 2.0（扩散模型）：采用单流/双流因果块设计，支持多分辨率、多领域、多语言生成，整合OCR与统一字幕生成器，在艺术多样性、逻辑推理、多图像统一生成（如文本艺术、龙设计流程）上表现出色，发表于ICCV 2025。

Lumina-mGPT 2.0（自回归模型）：基于“All In One”架构，统一文本与图像tokenization，支持文生图、图像对生成、可控生成等多任务；采用光栅扫描训练策略与“思考-验证”采样策略，能精准生成含位置关系（如“热狗在行李箱左侧”）的图像，提交至TPAMI。

二、图像生成可控编辑

多物体图像编辑（MoEdit）：针对现有方法的特征混叠与数量不一致问题，提出物体特征补偿模块与数量注意力模块，在Diffusion Unet第四层加入控制，有效解决“三只兔子两只狐狸”“熊”等多物体编辑的数量准确性，发表于CVPR 2025。

层次化视频生成（LayerT2V）：解决多物体视频生成的语义混合/缺失、轨迹控制/遮挡问题，采用“背景→前景1→前景2”分层生成策略，保证多物体（如马与斑马）运动轨迹和谐，支持迭代生成（猫、鹰、机器人等）， arXiv 2025收录。

美学二维码生成：

Text2QR（CVPR 2024）：通过“消息→引导图→蓝图→生成图”三阶段流程，结合直方图极化、模块重组等技术，平衡美学定制与可扫性，采用三类损失函数（二维码损失、标识符损失、和谐度损失）保障扫描 robustness。

Face2QR（NeurIPS 2024）：解决人脸与二维码融合难题，通过ID-aware重构与ID-preserved增强，在不同姿态人脸下保持高可扫性（3-7cm尺寸、45°-90°角度下成功率超94%）与人脸保真度，Aesbench美学得分达90.1。

低光图像增强（GPP-LLIE，AAAI 2025）：利用多模态大模型提取全局/局部感知先验（可见性、对比度等），设计感知先验引导的Transformer网络，在LOL、LOL-v2等数据集上，FID（36.73）、LPIPS（0.081）等指标优于现有SOTA，避免亮区过曝与暗区欠曝。

三、生成图像质量评价

A-bench（ICLR 2025）：构建多维度基准测试，评估多模态大模型的高层语义理解（基础识别、特殊知识、复杂语义）与低层质量感知（技术失真、美学、生成失真）能力。测试显示，人类最佳准确率93.11%，而Gemini 1.5 Pro（76.74%）、GPT-4o（75.93%）等模型与人类感知差距显著，对不同失真维度鲁棒性不足。

Q-Eval-100K（CVPR 2025 Oral）：构建目前最大的MOS评分标注数据集（10万生成内容、96万人类标注），覆盖主流文生图/视频模型；提出Q-Eval-Score评价模型，支持视觉质量与图文一致性定量评价，在图像质量评估中SRCC达0.732、PLCC 0.731，图文对齐评估中SRCC 0.822、PLCC 0.802，优于CLIPScore、BLIP2Score等方法。

产业落地：上线AGI-Eval评测网站，发布行业榜单，支持网页端+移动端协同，助力生成模型迭代与标注数据生产，提供人机比赛、评测集社区等功能。

四、核心总结与展望

技术突破：在生成模型上，实现扩散与自回归范式的高效统一；在可控编辑上，解决多物体数量/轨迹、二维码美学与低光增强等场景痛点；在质量评价上，填补大规模评测数据集空白，量化模型与人类感知差距。

未来方向：推动多模态大模型在质量评价中的深度应用，探索“评价-反馈-优化”闭环，实现大模型自我指涉、自我演进，助力AIGC技术从“外驱学习”向“内驱思考”升级。