镜像模型：基于反射式多模态LLM与智能体的广告横幅图像生成
计算机视觉与模式识别
2025-07-08 v1
摘要
近期生成模型如GPT-4o在生成高质量图像并实现准确文字渲染方面展现出强大的能力。然而，商业设计任务如广告横幅需要不仅仅是视觉保真度——它们需要结构化的布局、精确的排版、一致的品牌形象等。本文介绍MIMO（Mirror In-the-Model），一种用于自动化广告横幅生成的智能体细化框架。MIMO将分层多模态智能体系统（MIMO-Core）与一个协调循环（MIMO-Loop）相结合，该循环探索多个风格方向并迭代改进设计质量。仅需一个简单的自然语言提示和logo图像作为输入，MIMO即可自动检测并纠正生成过程中的多种错误。实验表明，MIMO在实际的横幅设计场景中显著优于现有的扩散模型和基于LLM的基线方法。
引用
@article{arxiv.2507.03326,
title = {Mirror in the Model: Ad Banner Image Generation via Reflective Multi-LLM and Multi-modal Agents},
author = {Zhao Wang and Bowen Chen and Yotaro Shimose and Sota Moriyama and Heng Wang and Shingo Takamatsu},
journal= {arXiv preprint arXiv:2507.03326},
year = {2025}
}