计算机科学 > 计算机视觉与模式识别
[提交于 2026年1月8日
]
标题: 重新对齐:结构化推理引导的上下文图像生成与编辑对齐
标题: Re-Align: Structured Reasoning-guided Alignment for In-Context Image Generation and Editing
摘要: 通过上下文的图像生成和编辑(ICGE),用户可以通过交错的图像-文本提示来指定视觉概念,这需要精确理解并忠实执行用户的意图。 尽管最近的统一多模态模型表现出有希望的理解能力,但这些优势通常难以有效地转移到图像生成中。 我们引入了Re-Align,这是一个统一的框架,通过结构化推理引导的对齐来弥合理解和生成之间的差距。 其核心是上下文链式思维(IC-CoT),这是一种结构化推理范式,将语义指导和参考关联解耦,提供清晰的文本目标并减少参考图像之间的混淆。 此外,Re-Align引入了一种有效的强化学习训练方案,利用替代奖励来衡量结构化推理文本与生成图像之间的对齐程度,从而提高模型在ICGE任务中的整体性能。 大量实验验证了Re-Align在上下文图像生成和编辑任务中,优于具有可比模型规模和资源的竞争方法。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.