隐式视觉思维链：结构感知文本到图像生成新方法

摘要

统一多模态大模型在文本到图像生成中表现强劲，但在遵循对象计数、空间关系等结构提示时仍有不足。为此，研究者提出隐式视觉思维链（IV-CoT），一种潜在视觉推理框架，将视觉条件查询分解为结构到语义的级联，通过训练时草图监督引导结构查询，无需推理时草图提取或中间解码，在GenEval和T2I-CompBench上取得更优结果。