一句话结论
Prompt-to-Prompt 直接复用、选择性注入或重权重源生成的 cross-attention，使少量 prompt 修改尽可能保留原构图；它强力奠定了 attention control 接口，但论文没有定量 benchmark，也没有验证 DiT 或“语义理解”。
论文定位
这是 inference-time attention editing 的机制锚点。实验使用 Imagen 的 64×64 文本到图像扩散阶段，模型权重、超分阶段和训练数据都不改；输入仍需要源/目标 prompt 与固定 seed。真实图路径额外依赖 DDIM inversion。
问题定义
只改一个词，即使固定随机种子，也会让整张图的结构和背景漂移。作者把原因定位到 token—空间交互，并把 cross-attention map 当作“改词但保构图”的控制变量。
方法概述
- Word swap：把源 attention 注入目标 prompt；截止步控制源保真与目标语义的权衡。
- Prompt refinement：只对不变 token 注入源 attention，让新增修饰词使用目标 attention。
- Attention re-weighting：对指定词的 attention 乘 $c\in[-2,2]$，形成连续 fader。
- 两条去噪路径可批处理；论文称相对普通推理约增加一个 step。
核心实验与结果
论文以定性应用为主，未报告 CLIP/FID、用户研究、标准 benchmark 或样本总量：
- 图 2 的同 seed 对照显示，不注入 attention 时结构彻底变化，注入后构图明显保持。
- 图 6 扫描注入时长：更多注入通常更保源图，但全程注入会过度约束，例如目标 car 仍保留 bicycle 几何。
- 图 5、7–9 展示局部 token 保留、局部/全局 refinement 与连续强度控制。
- 图 10–12 展示真实图编辑，但 DDIM inversion 经常不能准确重建。
关键消融
- 固定 seed vs attention 注入：直接支持 attention intervention 的必要性。
- 注入步数扫描：显示保真—编辑是非单调权衡。
- 只注入单一 token：定性支持局部对象保持；没有像素级效应量。
局限或疑问
- 真实图 inversion 会失真，且要求用户提供合适源 prompt。
- bottleneck attention 分辨率低，限制精细局部编辑。
- 大幅改写、多 token 实体与关系变化时 token 对齐脆弱。
- attention 可干预不等于 attention 是完备因果解释。
- 缺少定量和跨 backbone 实验，不能外推为通用编辑 SOTA。
对当前 Wiki 判断的影响
| 判断 | 证据分类 | 边界 |
|---|---|---|
| attention 可成为编辑控制接口 | 直接支持 | Imagen/attention diffusion，定性机制证据 |
| semantic completeness | 背景证据 | 不是漏主体 benchmark |
| spatial guidance | 奠基/间接支持 | 无 box、无定位指标 |
| closed-loop correction | 当前不应引用 | 无输出检测与迭代纠错 |
| 支持 DiT | 当前不应引用 | 未做 DiT 实验 |
| 支持“理解” | 当前不应引用 | 证明控制执行，不证明关系/计数理解 |