一句话定义：布局到图像生成（Layout-to-Image）指的是在文字提示之外，再给模型一份"空间布局"——用边界框（bounding box）、掩码（mask）或关键点（keypoint）说明"什么东西、出现在画面哪个位置、占多大面积"——模型按这份约束把图渲染出来。
打个比方
让一支乐队拍合影。纯文本提示就像你只说一句"来张有气势的乐队合照"：谁站前排、吉他手在左还是右、鼓在哪，全靠摄影师自己发挥。换一次提示、点一次生成，构图就变一次，想复现上一次的站位基本靠运气。
布局则像你递过去一张座位表：主唱居中偏左、占画面三分之一；鼓手在右下角；吉他手在左侧竖构图。摄影师不用再猜位置，只需要把每个人的表情、衣着、光影画好。
它到底是怎么"约束"的
主流做法是在扩散模型（diffusion model）里额外注入一路条件信号。具体形式通常是：把每个框或掩码转成一张和生成图同尺寸的空间图（spatial map），比如按类别上色的语义掩码（semantic mask），或者以物体中心向外衰减的高斯热力图。
这张空间图随后通过几种常见方式接入：和噪声图在通道维拼接、作为交叉注意力（cross-attention）的偏置去影响每个像素"听哪段文字"、或走一条额外的条件分支网络（类似 AI 词典：ControlNet">ControlNet 那类旁路结构）。采样过程中每个像素的生成都被这张图牵着走，所以物体不容易跑位。
和相邻概念的区别
| 概念 | 你给模型什么 | 位置从哪来 |
|---|---|---|
| 文生图（Text-to-Image） | 只有文字 | 模型自己猜，每次可能不同 |
| 布局到图像生成 | 文字 + 框/掩码/关键点 | 你显式声明 |
| 局部重绘（Inpainting） | 已有图 + 要改的区域 | 掩码表示"这里可以动"，不规定改成什么 |
| 边缘/深度/姿态控制 | 从参考图提取的结构图 | 结构来自已有图片 |
关键差别：边缘图、深度图是"从已有图片里提取结构"，布局是"凭空空降一份结构"。前者更像描摹，后者更像搭积木，自由度更高，也更抽象。
对从业者意味着什么
对设计和电商场景最直接：主图要求"产品居中、logo 右上角、模特在左三分之一"，这种版式用纯提示词反复抽卡非常低效，布局能一次说清。做漫画分镜、游戏素材、海报批量出图也是同理。
对算法工程师，布局还有一个隐藏福利：布局本身就是标注。想给检测或分割模型造合成训练数据，直接拿框生成图，框和物体天然对齐，不用再人工标一遍。
局限也要清楚：布局只管"在哪里"，不管"长什么样"和"细节对不对"；框一多容易互相打架，小物体常常糊掉；布局和提示词冲突时还得调权重。至于各家工具支持哪些输入格式、参数怎么配，以官方页面为准。