GLIGEN é um modelo de geração de imagens baseado em prompts de texto abertos. Ele pode gerar imagens com base em descrições de texto e condições de delimitação, como caixas delimitadoras. O modelo é implementado congelando os parâmetros de um modelo de difusão pré-treinado de texto para imagem e inserindo novos dados. Este design modular permite treinamento eficiente e grande flexibilidade na inferência. O GLIGEN suporta a geração de imagens condicionais em mundo aberto e possui forte capacidade de generalização para conceitos e layouts emergentes.