---
title: "DoraCycle – 新加坡国立大学推出多模态领域适应的统一生成模型"
url: "https://paooo.com/aigc-news/21185/"
author: "Prompt 语宙研究院"
published_at: "2026-06-08T18:00:50+08:00"
updated_at: "2026-06-08T18:00:50+08:00"
categories: "AIGC 资讯"
tags: "AI办公效率, AI绘画提示词, AI视频生成, 大模型微调, 开源大模型"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# DoraCycle – 新加坡国立大学推出多模态领域适应的统一生成模型

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/21185/) · 作者：Prompt 语宙研究院 · 发布时间：2026-06-08

## AI 30 秒核心看点 (TL;DR)

- 通过双循环机制实现文本与图像互转，DoraCycle把无配对数据也变成可用于领域适配的训练信号。
- 模型兼顾风格化与身份生成：既能处理无需成对知识的任务，也能结合少量配对数据完成新知识注入。
- 训练上引入交叉熵损失、梯度裁剪与 EMA 模型，重点提升多步推理稳定性与伪数据生成质量。

## DoraCycle是什么

DoraCycle 是新加坡国立大学 Show Lab 推出多模态领域适应的统一生成模型，通过两个多模态循环（text-to-image-to-text 和 image-to-text-to-image）实现不同模态间的信息转换与对齐，基于统一生成模型学习的双向映射，以非配对数据进行领域适配训练，无需大量标注数据。模型通过循环端点的交叉熵损失优化，促进自我进化，适应特定领域。

## DoraCycle的主要功能

- **无配对数据的领域适应**：通过循环一致性学习，DoraCycle首次实现了使用无配对数据进行生成模型的领域适应，显著降低了数据获取成本。

- **灵活的任务适应性**：DoraCycle能处理无需成对知识的任务（如风格化），能有效结合少量配对数据完成需要新知识的任务（如身份生成）。

## DoraCycle的技术原理

- **多模态循环一致性学习**：DoraCycle 集成了两个多模态循环：文本到图像再到文本（T cycle） 和 图像到文本再到图像（I cycle）。这两个循环利用预训练的统一生成模型（如视觉-语言对齐模型）进行跨模态映射。

**T cycle**：从输入文本序列开始，模型先将其转换为图像表示，再将生成的图像转换回文本序列，通过计算生成文本与原始文本之间的交叉熵损失来优化模型。

- **I cycle**：从输入图像开始，先将其转换为文本描述，再将文本描述转换回图像，通过计算生成图像与原始图像之间的交叉熵损失来优化模型。

- **跨模态对齐的自监督学习**：DoraCycle 基于统一生成模型学习的视觉和语言之间的双向映射。通过这两个循环，数据可以在相同模态内保持，施加对过程中引入偏差的约束。使模型能通过自监督学习，实现视觉和语言之间的跨模态对齐。

- **训练稳定性增强**：在多步推理过程中，为了避免梯度爆炸问题，DoraCycle 采用了以下技术：

**梯度裁剪**：避免两个循环的优化方向冲突，从而提高训练的稳定性。

- **EMA 模型**：维护一个缓慢更新的指数移动平均（EMA）模型，用于推理以生成伪数据，增强伪数据生成的稳定性。

## DoraCycle的项目地址

- **Github仓库**：[https://github.com/showlab/DoraCycle](https://github.com/showlab/DoraCycle)

- **arXiv技术论文**：[https://arxiv.org/pdf/2503.03651](https://arxiv.org/pdf/2503.03651)

## DoraCycle的应用场景

- **风格化设计**：DoraCycle 可以用于生成符合特定风格的图像和文本内容。

- **虚拟角色生成**：在虚拟角色设计中，DoraCycle 可以结合少量配对数据和大规模无配对数据，生成具有特定身份和风格的虚拟角色。

- **个性化广告内容**：DoraCycle 可以根据品牌风格和目标受众生成个性化的广告图像和文案。

- **个性化学习材料**：DoraCycle 可以根据学生的学习风格和偏好生成个性化的学习材料。

## 常见问题解答 (FAQ)

### DoraCycle适合哪些生成任务？
DoraCycle 适合风格化设计、虚拟角色生成、个性化广告内容和个性化学习材料等任务。它尤其擅长利用无配对数据做领域适配；若任务需要新知识，也可结合少量配对数据完成生成。

### DoraCycle为什么不需要大量标注数据？
它通过 text-to-image-to-text 和 image-to-text-to-image 两个循环做自监督学习，让模型在跨模态转换中学习对齐关系，因此可直接利用无配对数据进行训练，降低对人工标注的依赖。

### DoraCycle的训练稳定性怎么保证？
文章提到它使用梯度裁剪来减少优化冲突，并维护 EMA 模型用于推理生成伪数据，从而增强多步推理过程中的稳定性，避免梯度爆炸等问题。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
