随着扩散模型技术的引入，文本到图像（Text-to-Image, T2I）生成技术迎来了显著的飞跃，现有模型在该领域展现出了卓越的创造力和表现力。尽管如此，文生图模型在使用语言颜色名称来指定对象颜色时，由于这些标签覆盖的颜色范围较广，难以实现精确匹配，且现有的文生图个性化方法往往会导致颜色-形状纠缠问题。

为了实现T2I任务中的精准颜色生成，来自巴塞罗那自治大学LAMP组博士后王凯提出了ColorPeel模型，首次解决了color prompt learning（颜色提示学习）问题，相关论文为《ColorPeel: Color Prompt Learning with Diffusion Models via Color and Shape Disentanglement》，收录于ECCV 2024。

ColorPeel是一种基于扩散模型的精确颜色生成方法，其核心在于通过颜色和形状的解耦来提升T2I生成中颜色的精确度。

ColorPeel首先生成一系列基础的2D或3D几何形状，并将这些形状赋予用户指定的RGB颜色值或颜色坐标，作为训练数据。

扩散模型利用训练过程中学到的颜色特征，结合用户提供的颜色提示，生成具有精确颜色的图像。

ColorPeel中引入一个创新的交叉注意力对齐损失函数进行模型更新，旨在通过将颜色和形状从自动生成的目标颜色几何物体中解耦，使得模型能够更准确地学习颜色提示，避免颜色和形状特征的混合问题。

在生成阶段，用户通过提供文本描述和颜色提示来指导图像的生成。通过反向扩散过程逐步恢复出图像的颜色和形状信息。这个过程中，模型会不断优化图像，以确保其颜色、形状以及整体风格与用户的输入高度一致。