T2I-R1：通过协同语义级与令牌级思维链强化图像生成
计算机视觉与模式识别
2025-07-02 v2 人工智能
计算与语言
机器学习
摘要
近期大型语言模型的进展展示了思维链（CoT）和强化学习（RL）如何提升性能。然而，将此类推理策略应用于视觉生成领域在很大程度上仍未被探索。在本文中，我们提出了T2I-R1，这是一种新颖的推理增强型文本到图像生成模型，由具有双层CoT推理过程的RL驱动。具体来说，我们确定了两个可用于增强生成不同阶段的CoT层级：（1）用于提示高层规划的语义级CoT，以及（2）用于逐块生成过程中低层像素处理的令牌级CoT。为了更好地协调这两个层级的CoT，我们引入了带有集成生成奖励的BiCoT-GRPO，它能在同一步训练中无缝优化两种生成CoT。通过将我们的推理策略应用于基线模型Janus-Pro，我们在T2I-CompBench上取得了13%的提升，在WISE基准上取得了19%的提升，甚至超越了最先进的模型FLUX.1。代码可在以下地址获取：https://github.com/CaraJ7/T2I-R1
引用
@article{arxiv.2505.00703,
title = {T2I-R1: Reinforcing Image Generation with Collaborative Semantic-level and Token-level CoT},
author = {Dongzhi Jiang and Ziyu Guo and Renrui Zhang and Zhuofan Zong and Hao Li and Le Zhuo and Shilin Yan and Pheng-Ann Heng and Hongsheng Li},
journal= {arXiv preprint arXiv:2505.00703},
year = {2025}
}
备注
Project Page: https://github.com/CaraJ7/T2I-R1