LayoutCoT：释放大语言模型布局生成的深度推理潜力
计算机视觉与模式识别
2026-02-06 v3
摘要
条件布局生成旨在自动生成符合用户定义约束的视觉上令人愉悦且语义连贯的布局。虽然基于生成模型的最近方法显示出有前景的成果，但它们通常需要大量训练数据或 extensive 微调，限制了其灵活性和实际适用性。或者，有一些基于大语言模型(LLM)的无训练方法通过 in-context learning 出现，但它们常常受限于推理能力和过于简单排序机制，限制了其生成持续高质量布局的能力。为此，我们提出了LayoutCoT，一种新方法，通过结合检索增强生成(RAG)和链条推理(CoT)技术来利用 LLM 的推理能力。具体而言，LayoutCoT 将布局表示转换为适合 LLM 处理的标准序列化格式。使用面向布局的RAG用于有效检索并生成粗略布局。该初步布局以及选定的 exemplars 然后输入到专为设计的CoT推理模块中进行迭代细化，显著增强了语义连贯性和视觉质量。我们在覆盖三个条件布局生成任务的五个公开数据集上进行了广泛实验。实验结果表明，LayoutCoT 在不要求训练或微调的情况下实现了最先进的性能。值得注意的是，我们的CoT推理模块使标准 LLM，即使没有明确的深度推理能力，也能超过专门的深度推理模型如 deepseek-R1，凸显了我们方法在释放 LLM 布局生成深度推理能力方面的潜力。
引用
@article{arxiv.2504.10829,
title = {LayoutCoT: Unleashing the Deep Reasoning Potential of Large Language Models for Layout Generation},
author = {Hengyu Shi and Junhao Su and Tianyang Han and Junfeng Luo and Jialin Gao},
journal= {arXiv preprint arXiv:2504.10829},
year = {2026}
}