超高清（Ultra-High-Resolution, UHR）文本到图像（Text-to-Image, T2I）生成技术已取得显著进展。然而，仍面临两个关键挑战：其一，缺乏大规模、高质量的UHR T2I数据集；其二，在UHR场景下对细粒度细节合成的定制化训练策略被普遍忽视。为应对第一个挑战，我们提出UltraHR-100K，一个包含10万张超高清图像的高质量数据集，每张图像均配有丰富且精准的描述文本，涵盖多样化的内容主题，并具备出色的视觉保真度。所有图像分辨率均超过3K，且在构建过程中严格依据细节丰富度、内容复杂度和美学质量进行筛选与优化。为应对第二个挑战，我们提出一种频率感知的后训练方法，用于增强T2I扩散模型在生成细粒度细节方面的能力。具体而言，我们设计了：（i）面向细节的采样时间步策略（Detail-Oriented Timestep Sampling, DOTS），通过聚焦于对细节恢复至关重要的去噪阶段，提升模型对细微结构的学习能力；（ii）软权重频率正则化（Soft-Weighting Frequency Regularization, SWFR），利用离散傅里叶变换（Discrete Fourier Transform, DFT）对频域成分施加软约束，有效促进高频细节的保留。在我们提出的UltraHR-eval4K评估基准上的大量实验表明，所提方法显著提升了UHR图像生成在细粒度细节表现与整体视觉保真度方面的性能。