空间思维链：连接理解与生成模型的空间推理生成

尽管扩散模型在美学图像合成方面表现出卓越的能力，但它们常常难以处理复杂的空间理解和推理。现有方法借助多模态大语言模型（MLLMs）来增强这一能力。然而，这些方法要么通过联合训练产生高昂的计算成本，要么在仅依赖文本提示时遭受空间信息损失。为缓解这些限制，我们提出了空间思维链（SCoT）框架，这是一种即插即用的方法，能有效连接MLLMs的推理能力与扩散模型的生成能力。具体而言，我们首先通过在一个交错的文本-坐标指令格式上训练扩散模型，来增强其布局感知能力。然后，我们利用最先进的多模态大语言模型作为规划器，生成全面的布局计划，将其空间规划能力直接迁移到生成过程中。大量实验表明，我们的方法在图像生成基准测试上达到了最先进的性能，并在复杂推理任务上显著优于基线方法，同时在图像编辑场景中也展现出强大的有效性。