Die Erzeugung von Text-zu-Bild (T2I)-Bildern mit ultra-hoher Auflösung (UHR) hat erhebliche Fortschritte gemacht. Zwei zentrale Herausforderungen bleiben jedoch bestehen: (1) das Fehlen einer großskaligen, hochwertigen UHR-T2I-Datensammlung und (2) die Vernachlässigung spezifischer Trainingsstrategien zur Synthese feinster Details in UHR-Szenarien. Um die erste Herausforderung anzugehen, führen wir \textbf{UltraHR-100K} ein – eine hochwertige Datensammlung mit 100.000 UHR-Bildern und detaillierten Beschreibungen, die eine vielfältige Inhaltsspanne und hohe visuelle Fidelität aufweisen. Jedes Bild weist eine Auflösung von über 3.000 Pixeln auf und wurde sorgfältig ausgewählt, basierend auf der Detaildichte, der inhaltlichen Komplexität und der ästhetischen Qualität. Um die zweite Herausforderung zu bewältigen, schlagen wir eine frequenzbewusste Nachtrainingsmethode vor, die die Generierung feinster Details in T2I-Diffusionsmodellen verbessert. Konkret entwickeln wir (i) \textit{Detail-Oriented Timestep Sampling (DOTS)}, um das Lernen auf die denoising-entscheidenden Schritte zu fokussieren, bei denen feine Details kritisch sind, sowie (ii) \textit{Soft-Weighting Frequency Regularization (SWFR)}, die die diskrete Fourier-Transformation (DFT) nutzt, um Frequenzkomponenten weich zu regularisieren und so die Erhaltung hochfrequenter Details zu fördern. Ausführliche Experimente an den von uns vorgeschlagenen UltraHR-eval4K-Benchmarks zeigen, dass unser Ansatz die Qualität feinster Details und die insgesamt hohe Fidelität der UHR-Bildgenerierung erheblich verbessert. Der Quellcode ist unter \href{this https URL}{hier} verfügbar.