HiCoGen：基于强化学习的扩散模型层次化组合文本到图像生成

近期扩散模型在生成简单提示词的高质量图像方面取得了显著进展。然而面对包含多个物体和层次结构的复杂提示词，现有模型难以准确遵循指令，导致概念遗漏、混淆和组合性差等问题。为此，我们提出一种基于新颖Synthesis链（Chain of Synthesis, CoS）范式的层次化组合生成框架（Hierarchical Compositional Generative framework, HiCoGen）。该框架首先利用大型语言模型（LLM）将复杂提示词分解为最小语义单元，然后依次合成这些单元，其中每一步生成的图像为下一步提供关键视觉上下文，确保所有文本概念faithfully构建至最终场景中。为进一步优化此过程，我们引入强化学习（RL）框架。我们认识到，标准扩散采样器的探索有限是制约有效RL的关键因素。我们理论证明，样本多样性通过集中于生成早期阶段的随机性来最大化；基于此洞见，我们提出一种新颖的衰减随机性计划（Decaying Stochasticity Schedule）以增强探索。我们的RL算法由分层奖励机制驱动，同时在全局、主体和关系三个层面对图像进行评估。我们还构建了HiCoPrompt——一个用于严格评估的、包含层次化提示词的文本到图像基准数据集。实验表明，我们的方法在概念覆盖率和组合精确度方面均显著优于现有方法。