视觉感知的链到思维：统一模型中的高保真视觉一致性
计算机视觉与模式识别
2025-12-23 v1
摘要
最近，链到思维（CoT）的引入大大提升了统一模型的生成能力。然而，观察到当前的思考过程主要关注文本提示下的文本一致性，忽略了在多模态生成期间（例如，多参考图像生成）与视觉参考图像的视觉上下文一致性。缺乏这种一致性导致无法保持关键视觉特征（如人体 ID、物体属性、风格）。为此，我们将视觉上下文一致性整合到统一模型的推理中，显式地通过 1）自适应视觉规划：生成结构化的视觉检查清单，以确定所需保持的视觉元素，以及 2）迭代视觉纠正：在检查清单指导下进行自我反思，并以迭代方式细化生成结果。为实现这一目标，我们使用监督微调教授模型如何进行视觉检查规划、自我反思和自我细化，并使用 flow-GRPO 通过自定义的视觉检查奖励进一步提升视觉一致性。实验表明，我们的方法在多模态生成中优于零-shot 统一模型和带文本 CoT 的模型，显示出更高的视觉上下文一致性。
引用
@article{arxiv.2512.19686,
title = {Visual-Aware CoT: Achieving High-Fidelity Visual Consistency in Unified Models},
author = {Zixuan Ye and Quande Liu and Cong Wei and Yuanxing Zhang and Xintao Wang and Pengfei Wan and Kun Gai and Wenhan Luo},
journal= {arXiv preprint arXiv:2512.19686},
year = {2025}
}
备注
Project Page: https://zixuan-ye.github.io/VACoT/