Maestro：通过智能体编排实现文本到图像生成的自优化

文本到图像（T2I）模型虽然提供了巨大的创作潜力，但高度依赖人工干预，带来了显著的可用性挑战，常常需要对描述不足的提示词进行繁琐的迭代式提示工程。本文介绍了 Maestro，一种新颖的自进化图像生成系统，它使 T2I 模型能够仅通过一个初始提示词，自主地通过提示词的迭代进化来优化生成的图像。Maestro 包含两项关键创新：1）自我批判，其中专门的多模态大语言模型（MLLM）智能体充当“评论家”，识别生成图像中的弱点，纠正描述不足的问题，并提供可解释的编辑信号，随后由“验证者”智能体在保留用户意图的同时整合这些信号；2）自我进化，利用 MLLM 作为评判者，对迭代生成的图像进行直接对比，摒弃有问题的图像，并进化出符合用户意图的创意提示词候选。在黑盒模型上进行的复杂 T2I 任务的大量实验表明，Maestro 相较于初始提示词和最先进的自动化方法，显著提升了图像质量，其有效性随着更先进的 MLLM 组件的使用而增强。这项工作为自优化的 T2I 生成提供了一条稳健、可解释且有效的途径。