论文页面 - SCOPE：面向复杂图像生成的结构化分解与条件技能编排

来源：https://huggingface.co/papers/2605.08043 作者：

，

，

，

，

，

，

，

，

，

，

，

，

摘要

SCOPE 是一种规范引导的框架，通过在文本到图像的生成过程中保持语义承诺，来提升复杂视觉意图的满足度。

尽管文本到图像模型在视觉保真度方面取得了显著进展，但忠实地实现复杂视觉意图仍然具有挑战性，因为需要在定位、生成和验证的各个环节跟踪许多要求。我们将这些要求称为语义承诺（semantic commitments）（https://huggingface.co/papers?q=semantic%20commitments），并将其生命周期的不连续性形式化为概念鸿沟（Conceptual Rift）（https://huggingface.co/papers?q=Conceptual%20Rift），即承诺可能在局部得到解决或检查，但在整个生成生命周期中无法始终被识别为相同的操作单元。为了解决这一问题，我们提出了 SCOPE，这是一种规范引导的技能编排（specification-guided skill orchestration）（https://huggingface.co/papers?q=specification-guided%20skill%20orchestration）框架，它在不断演进的结构化规范中维护语义承诺（semantic commitments）（https://huggingface.co/papers?q=semantic%20commitments），并围绕未解决或被违反的承诺条件性地调用检索、推理和修复技能（repair skills）（https://huggingface.co/papers?q=repair%20skills）。为了评估承诺级别的意图实现情况，我们引入了 Gen-Arena（https://huggingface.co/papers?q=Gen-Arena），这是一个带有实体和约束级别规范的人工标注基准，以及实体门控意图通过率（Entity-Gated Intent Pass Rate）（EGIP）（https://huggingface.co/papers?q=Entity-Gated%20Intent%20Pass%20Rate），一种严格的以实体为先的通过标准。SCOPE 在 Gen-Arena（https://huggingface.co/papers?q=Gen-Arena）上大幅优于所有评估的基线模型，EGIP 达到 0.60，并且在 WISE-V（https://huggingface.co/papers?q=WISE-V）（0.907）和 MindBench（https://huggingface.co/papers?q=MindBench）（0.61）上也取得了强劲的结果，证明了持久承诺跟踪在复杂图像生成中的有效性。

查看 arXiv 页面（https://arxiv.org/abs/2605.08043）查看 PDF（https://arxiv.org/pdf/2605.08043）项目页面（https://nopnor.github.io/SCOPE/）GitHub3（https://github.com/nopnor/SCOPE）添加到收藏集（https://huggingface.co/login?next=%2Fpapers%2F2605.08043）

在你的代理中获取这篇论文：

hf papers read 2605\.08043

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型 0

没有模型链接此论文

在模型的 README.md 中引用 arxiv.org/abs/2605.08043 以从此页面进行链接。

引用此论文的数据集 0

没有数据集链接此论文

在数据集的 README.md 中引用 arxiv.org/abs/2605.08043 以从此页面进行链接。

引用此论文的 Spaces 0

没有 Space 链接此论文

在 Space 的 README.md 中引用 arxiv.org/abs/2605.08043 以从此页面进行链接。

包含此论文的收藏集 0

没有收藏集包含此论文

将此论文添加到收藏集（https://huggingface.co/new-collection）以从此页面进行链接。