CyCLeGen：面向视觉基础模型的循环一致布局预测与图像生成
计算机视觉与模式识别
2026-03-17 v1
摘要
我们提出了 CyCLeGen，一个统一的视觉语言基础模型，能够在单一的自回归框架中实现图像理解与图像生成。不同于依赖感知与合成模块分离的现有视觉模型，CyCLeGen 采用完全集成的架构，通过图像->布局->图像和布局->图像->布局的生成循环实现循环一致学习。这种统一的表述引入了两个关键优势：一是内省能力，使模型能够对自身生成内容进行推理；二是数据效率，允许在由循环一致性引导的强化学习目标下，通过合成监督实现自我改进。大量实验表明，CyCLeGen 在多样化的图像理解和生成基准任务上均实现了显著提升，凸显了统一视觉语言基础模型的潜力。
引用
@article{arxiv.2603.14957,
title = {CyCLeGen: Cycle-Consistent Layout Prediction and Image Generation in Vision Foundation Models},
author = {Xiaojun Shan and Haoyu Shen and Yucheng Mao and Xiang Zhang and Abhay Anand and Bingnan Li and Haiyang Xu and Zhuowen Tu},
journal= {arXiv preprint arXiv:2603.14957},
year = {2026}
}