基于丰富推理链的叙事图像生成
计算机视觉与模式识别
2026-01-08 v2 计算与语言
摘要
单张图像可以通过逻辑关联的视觉线索传达一个引人入胜的故事，形成推理链（CoRs）。我们将这些语义丰富的图像定义为叙事图像。通过传达多层信息以激发主动解读，这些图像支持广泛的应用，如插图和认知筛查。尽管叙事图像潜力巨大，但此类图像稀缺且难以创建。为解决这一问题，我们提出了叙事图像生成任务，并提出了StorytellingPainter——一个结合大语言模型（LLM）推理与文本到图像（T2I）合成的两阶段流水线。我们还开发了一个专门的评估框架，用于评估语义复杂性、多样性和文本-图像对齐。此外，鉴于故事生成在该任务中的关键作用，我们引入了轻量级Mini-Storytellers以缩小小规模LLM与专有LLM之间的性能差距。实验结果证明了我们方法的有效性。
引用
@article{arxiv.2512.07198,
title = {Generating Storytelling Images with Rich Chains-of-Reasoning},
author = {Xiujie Song and Qi Jia and Shota Watanabe and Xiaoyi Pang and Ruijie Chen and Mengyue Wu and Kenny Q. Zhu},
journal= {arXiv preprint arXiv:2512.07198},
year = {2026}
}