图像链式生成：迈向可监控与可控制的图像生成

尽管最先进的图像生成模型实现了显著的视觉质量，但其内部生成过程仍然是一个'黑箱'。这种不透明性限制了人类的观察与干预，并对确保模型的可靠性、安全性和可控性构成了障碍。此外，其非人类的工作流程使人类观察者难以理解。为了解决这一问题，我们提出了图像链式生成（CoIG）框架，将图像生成重新表述为一个顺序的语义过程，类似于人类创作艺术的方式。类似于思维链（CoT）在大语言模型（LLM）中带来的可监控性和性能优势，CoIG 可以在文本到图像生成中产生等效的好处。CoIG 利用大语言模型将复杂提示分解为一系列简单、逐步的指令。图像生成模型随后通过逐步生成和编辑图像来执行该计划。每一步聚焦于单一语义实体，从而实现直接监控。我们使用两个新颖的指标对该性质进行正式评估：CoIG 可读性，通过其对应输出评估每个中间步骤的清晰度；以及因果相关性，量化每个程序步骤对最终生成图像的影响。我们进一步表明，我们的框架通过将复杂的生成任务分解为简单的子问题来缓解实体坍缩，这与 CoT 所采用的程序推理类似。我们的实验结果表明，CoIG 在显著增强定量可监控性的同时，在组合鲁棒性方面达到了与现有基线模型相当的水平。该框架是模型无关的，可以与任何图像生成模型集成。