本文综述文本到图像、视频和3D生成的可控性研究，涵盖Text2Human（分层纹理码书生成多样人体图像）、Video-ControlNet（残差噪声实现可控视频）、LoRA结合ControlNet（增强建筑立面生成）、Control3D（手绘草图控制三维场景）、SpaText（基于CLIP的开放词汇场景控制）、Diff-Text（多语言场景文本生成）以及Text2Scene（从文本生成场景布局与纹理）。