本文研究了文本到图像模型，通过细节导向的条件控制实现了更精细的空间控制。提出了LogicalDefender方法，将图像与人类总结的逻辑知识结合，提取广泛适用的逻辑知识。实验证明，该模型在逻辑性能方面表现更好，并可应用于其他场景。