展示别于说明：将潜在推理形态化为图像生成
计算机视觉与模式识别
2026-02-03 v1
摘要
文本到图像（T2I）生成取得了显著进展，但现有方法往往缺乏在生成过程中动态推理和细化的能力——这是人类创造力的标志。当前的推理增强范式大多依赖显式思考过程，其中中间推理被解码为离散文本的固定步骤，伴随频繁的图像解码和重新编码，导致效率低下、信息丢失和认知不匹配。为弥合这一差距，我们引入了 LatentMorph，一个无缝将隐式潜在推理集成到 T2I 生成过程中的新框架。LatentMorph 的核心包括四个轻量级组件：（i）一个 condenser，用于将中间生成状态总结为紧凑的视觉记忆；（ii）一个 translator，用于将潜在思考转换为可操作的指导；（iii）一个 shaper，用于动态引导下一个图像 token 的预测；（iv）一个由 RL 训练的 invoker，用于自适应确定何时调用推理。通过在连续潜在空间中进行推理，LatentMorph 避免了显式推理的瓶颈，实现了更自适应的自我细化。大量实验表明，LatentMorph（I）在 GenEval 上将基础模型 Janus-Pro 提升 16%，在 T2I-CompBench 上提升 25%；（II）在 WISE 和 IPV-Txt 等抽象推理任务上超越显式范式（如 TwiG）分别提升 15% 和 11%；（III）在推理时间上减少 44%，标记消耗降低 51%；（IV）在推理调用方面的认知对齐率达 71%。
引用
@article{arxiv.2602.02227,
title = {Show, Don't Tell: Morphing Latent Reasoning into Image Generation},
author = {Harold Haodong Chen and Xinxiang Yin and Wen-Jie Shu and Hongfei Zhang and Zixin Zhang and Chenfei Liao and Litao Guo and Qifeng Chen and Ying-Cong Chen},
journal= {arXiv preprint arXiv:2602.02227},
year = {2026}
}
备注
Code: https://github.com/EnVision-Research/LatentMorph