Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2601.05124

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2601.05124 (cs)
[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

Authors:Runze He, Yiji Cheng, Tiankai Hang, Zhimin Li, Yu Xu, Zijin Yin, Shiyi Zhang, Wenxun Dai, Penghui Du, Ao Ma, Chunyu Wang, Qinglin Lu, Jizhong Han, Jiao Dai
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。
摘要: In-context image generation and editing (ICGE) enables users to specify visual concepts through interleaved image-text prompts, demanding precise understanding and faithful execution of user intent. Although recent unified multimodal models exhibit promising understanding capabilities, these strengths often fail to transfer effectively to image generation. We introduce Re-Align, a unified framework that bridges the gap between understanding and generation through structured reasoning-guided alignment. At its core lies the In-Context Chain-of-Thought (IC-CoT), a structured reasoning paradigm that decouples semantic guidance and reference association, providing clear textual target and mitigating confusion among reference images. Furthermore, Re-Align introduces an effective RL training scheme that leverages a surrogate reward to measure the alignment between structured reasoning text and the generated image, thereby improving the model's overall performance on ICGE tasks. Extensive experiments verify that Re-Align outperforms competitive methods of comparable model scale and resources on both in-context image generation and editing tasks.
评论: 13页,9图,项目页面:https://github.com/hrz2000/realign
主题: 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2601.05124 [cs.CV]
  (或者 arXiv:2601.05124v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2601.05124
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Runze He [查看电子邮件]
[v1] 星期四, 2026 年 1 月 8 日 17:13:00 UTC (28,839 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
查看许可
当前浏览上下文:
cs
< 上一篇   |   下一篇 >
新的 | 最近的 | 2026-01
切换浏览方式为:
cs.CV

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号