本文提出了一种基于SD的TiNO-Edit方法，通过优化噪音模式和扩散时间步，生成更符合文本提示的图像。引入“初始噪声优化”方法，解决生成图像与提示的对齐问题。同时，介绍了VersaT2I训练框架，以提升图像质量并避免不同质量方面的冲突。ERNIE-ViLG 2.0模型整合文本和视觉知识，提升生成图像的质量，展示文本引导的图像编辑能力。