Towards Reliable Advertising Image Generation Using Human Feedback

广告图生成是电商视觉生产的重要环节。早期方法多依赖GAN或文生图扩散模型，能显著降低设计成本，但也带来两个长期问题：一是生成结果分布不稳定，容易出现低可用率；二是“好看”与“可投放”并不等价，后者还涉及商品属性、排版、合规与品牌感。近年来，利用反馈优化生成质量已成为趋势，但多数工作关注通用审美、偏好对齐或单一判别分数，较少面向广告图的工业可用性。本文将人类反馈直接定义为核心目标，并围绕这一目标构建数据、评估和微调三位一体的方案。

核心问题是：如何在不依赖大量人工复核的前提下，提高生成广告图的可用率，并让生成模型学会符合人类审核标准。难点在于“可用”是多因素概念，既包含视觉完整性，也包含商业语境中的适配性；同时，生成过程本身具有随机性，单次采样常常不足以稳定命中合格样本。因此，问题不是单点分类，而是如何设计一个可持续的闭环，使反馈信号既能评估结果，又能反哺生成。

第一项创新是RFNet：用多模态输入学习人工可用性判断，代替纯人工筛查，解决“谁来判”的问题。第二项创新是Recurrent Generation：把判别器接到采样循环里，直到得到可用图，解决“如何提高命中率”的问题。第三项创新是RFFT：通过Consistent Condition regularization把RFNet反馈写回扩散模型训练，使模型在生成时更稳定地满足可用条件，解决“如何减少重复采样”的问题。第四项创新是RF1M：规模超过100万张的人工标注数据集，为可靠反馈学习提供了足够覆盖面。

• �� RF1M数据构建：收集超过100万张广告生成图，由人工标注是否可用，作为监督信号。输入是生成结果及其相关多模态信息，输出是可用性标签。

• �� RFNet训练：将图像与可能的文本/条件信息联合编码，学习预测“可用/不可用”或连续反馈分数。作用类似自动质检员，目标是尽量复现人类审核。

• �� Recurrent Generation：先生成一批候选图，再由RFNet筛选；未通过者重新采样，形成循环。输入是当前生成样本，过程是“生成-判别-再生成”，输出是更高比例的可用图。

• �� RFFT微调：把RFNet反馈作为训练约束，对扩散模型做一致性条件正则化。直观上，相当于让模型在训练时记住哪些条件组合更容易产出可用结果，从而减少未来盲采样。

• �� 系统目标：不是单纯提高美观分，而是同时提升可用率、降低尝试次数，并保持广告图的视觉吸引力。

论文的实验主线围绕三部分展开：RF1M数据集、RFNet判别器、以及结合Recurrent Generation与RFFT的生成流程。数据集规模超过100万张，且由人类进行可用性标注，这是方法成立的基础。实验比较对象应包括原始扩散模型、仅做重采样的Recurrent Generation、以及加入反馈微调后的RFFT。评估重点是可用率、重试次数和视觉质量之间的平衡。摘要未披露具体数值和基线名称，因此应将结果理解为“显著提升”而非某一单一分数。

最重要的结果是，RF1M为广告图可用性学习提供了前所未有的大规模人类监督，超过100万张样本使RFNet能够更忠实地反映人工判断。与此同时，Recurrent Generation通过重复采样提高最终可用图数量，说明自动反馈确实能替代一部分人工审核。更进一步，RFFT把反馈直接用于扩散模型微调，论文明确指出它能显著提高可用率并减少Recurrent Generation所需尝试次数，这意味着同样算力下能产出更多可投放素材。

最直接的应用是电商商品主图、促销海报和活动Banner的自动生产，尤其适合每天需要大量变体素材的团队。其次，广告平台和品牌方可把RFNet作为前置审核器，减少低质素材流入投放系统。对于设计工具供应商，这套方法也可嵌入生成式编辑或模板化创作流程，用更少人工实现更稳定的商业输出。

方法的主要限制在于对人类标注分布的依赖：RFNet学到的是RF1M中定义的“可用”，而不同品牌、品类或地区市场对可用性的标准可能不同。其次，Recurrent Generation本质上靠多次尝试换命中率，若生成需求极大，推理成本仍可能偏高。最后，摘要未展示跨任务泛化与细粒度失败模式，因此未来仍需验证其在更复杂版式、更多商品类目和更严格合规场景中的稳定性。