核心发现
方法论
APE利用语言模型先验，将潜在用户意图表示为可解释的特征需求，采用信息熵最大化原则动态生成视觉查询，逐步缩小用户意图的不确定性。系统包括用户意图建模、视觉查询生成和提示合成三个核心模块，通过贝叶斯更新不断调整对用户偏好的认知。特征空间动态演化，结合LLM的上下文学习能力，提升查询相关性和效率。实验证明在IDEA-Bench和DesignBench上，APE显著优于传统提示方法，达成更高的意图对齐度，交互步骤减少50%以上。
关键结果
- 在IDEA-Bench上，APE实现了平均意图匹配度提升18.5%，生成图像与用户预期一致率提高至85%。在DesignBench中，用户感知的意图匹配度提升19.8%，交互次数减少至原有一半，显著降低了用户负担。
- 用户研究显示，128名参与者中，采用APE后对生成结果的满意度提升了21%，且工作负担无明显增加，验证了方法的实用性和用户体验改善。
- 消融实验表明，信息熵最大化的查询策略比随机或基于规则的策略效果提升12%，特征空间动态演化机制增强了系统的适应性和泛化能力。
研究意义
本研究突破了文本到图像生成中用户意图表达的瓶颈，通过主动引导视觉查询实现高效、可解释的偏好捕获，为人机交互提供了新范式。该方法不仅提升了生成内容的个性化和准确性，也降低了非专业用户的操作门槛，推动生成模型在人机协作、设计辅助等实际场景中的应用落地。其基于信息论的策略为未来偏好学习和交互优化提供了理论基础，有望引领行业标准的演进。
技术贡献
技术上，提出结合信息熵最大化的视觉查询生成策略，创新性地将潜在用户意图建模为可解释的特征空间，通过贝叶斯更新实现动态意图推断。系统融合大规模语言模型（如GPT-4）进行特征空间动态演化，提升查询相关性和效率。相较于传统的静态提示优化或纯粹的交互式问答，APE实现了主动偏好捕获与提示生成的无缝结合，为文本到图像生成提供了端到端的可解释、可调控框架。
新颖性
本研究首次将信息论中的最大信息增益原则应用于视觉查询生成，结合大规模语言模型实现特征空间的动态演化，显著提升了偏好捕获效率和意图对齐效果。与现有的被动提示优化或有限交互方法不同，APE实现了主动、连续的偏好引导，突破了文本表达的局限，开创了偏好学习的新路径。
局限性
- 系统依赖于大规模预训练语言模型的上下文理解能力，可能在特定专业领域或复杂场景中表现不足。
- 视觉查询的设计仍受限于特征空间的定义，可能无法完全捕获用户复杂、多变的偏好。
- 交互过程中的多轮贝叶斯更新存在计算成本，可能影响实时性，未来需优化算法效率。
未来方向
未来将探索多模态偏好融合，结合用户行为、语音等多源信息提升意图推断的准确性。同时，优化特征空间的自动演化机制，增强系统的泛化能力。还计划将APE应用于更复杂的设计任务和多用户场景，推动其在工业界的落地应用，进一步验证其可扩展性和鲁棒性。
AI 总览摘要
在当今的文本到图像生成技术中，用户意图的准确捕获始终是核心挑战之一。现有方法多依赖手动提示或自动优化，难以兼顾个性化和效率。本文提出一种基于信息论的主动引导方法——自适应提示引导（APE），通过视觉查询逐步缩小用户意图的不确定性。系统核心包括用户意图建模、动态特征空间演化和最大信息增益的查询策略，利用大规模语言模型（如GPT-4）实现特征的上下文相关扩展。实验结果显示，APE在IDEA-Bench和DesignBench上均优于传统方法，意图匹配度提升近20%，交互步骤减少一半，用户满意度显著提高。该方法不仅提升了生成内容的个性化和准确性，还降低了非专业用户的操作门槛，为人机协作和设计辅助提供了新思路。未来，系统将结合多模态信息，拓展到更复杂场景，推动生成模型的普及与应用。尽管如此，系统仍面临特征空间设计和实时性优化的挑战，未来需在算法效率和多源信息融合方面持续突破。这项工作为文本到图像生成的偏好学习提供了理论基础和实践路径，有望引领行业标准的变革。
深度解读
原文摘要
Aligning text-to-image generation with user intent remains challenging, as users frequently provide ambiguous inputs and struggle with model idiosyncrasies. We propose Adaptive Prompt Elicitation (APE), a technique that adaptively poses visual queries to help users refine prompts without extensive writing. Our technical contribution is a formulation of interactive intent inference under an information-theoretic framework. APE represents latent user intent as interpretable feature requirements using language model priors, adaptively generates visual queries, and compiles elicited requirements into effective prompts. Evaluation on IDEA-Bench and DesignBench shows that APE achieves stronger alignment with improved efficiency. A user study with 128 participants on user-defined tasks demonstrates 19.8% higher perceived alignment without increased workload. Our work contributes a principled approach to prompting that offers an effective and efficient complement to the prevailing prompt-based interaction paradigm with text-to-image models.