论文页面 - IV-CoT: 面向结构感知文本到图像生成的隐式视觉思维链

来源：https://huggingface.co/papers/2606.24849 作者：

，

，

，

，

，

，

，

，

，

，

，

摘要

隐式视觉思维链将视觉条件分解为结构级联和语义级联，通过草图监督实现更优的结构感知图像生成。

统一的 multi-modal large language models (MLLMs)（多模态大语言模型）在文本到图像生成质量上取得了强劲表现，但在结构感知提示跟随方面仍存在困难——对象数量、空间关系、属性绑定和粗略布局必须被准确保留。我们将这一局限性部分归因于结构规划和外观渲染在单一条件流中的纠缠。为解决该问题，我们提出 Implicit Visual Chain-of-Thought (IV-CoT)（隐式视觉思维链），这是一种用于查询条件图像生成的潜在视觉推理框架。IV-CoT 将视觉条件查询分解为结构到语义的级联：结构查询首先形成潜在视觉规划，语义查询再在此规划基础上渲染外观。为引导结构查询，我们引入仅训练阶段使用的草图监督，它在不依赖推理时草图提取或中间解码的情况下，鼓励结构查询从草图中捕获结构信息。IV-CoT 通过单次前向传播执行隐式思维链推理，在 GenEval 和 T2I-CompBench 上取得了优越结果。可视化与分析表明，所学习的结构查询和语义查询在结构感知生成中发挥了互补作用。

查看 arXiv 页面 (https://arxiv.org/abs/2606.24849)查看 PDF (https://arxiv.org/pdf/2606.24849)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2606.24849)

在您的智能体中获取此论文：

hf papers read 2606.24849

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

引用该论文的模型 0

尚无模型链接此论文

请在模型 README.md 中引用 arxiv.org/abs/2606.24849 以从此页面关联。

引用该论文的数据集 0

尚无数据集链接此论文

请在数据集 README.md 中引用 arxiv.org/abs/2606.24849 以从此页面关联。

引用该论文的 Spaces 0

尚无 Space 链接此论文

请在 Space README.md 中引用 arxiv.org/abs/2606.24849 以从此页面关联。

包含该论文的收藏 0

尚无收藏包含此论文

请将本论文添加到一个收藏 (https://huggingface.co/new-collection) 中以从此页面关联。