⏶39
T2I-R1：协同语义级和词元级CoT强化图像生成
发表
由 
Dongzhi Jiang 提交
Dongzhi Jiang 提交作者: Dongzhi Jiang, 
Ziyu Guo, Renrui Zhang, 
Zhuofan Zong, Hao Li, 
Le Zhuo, 
Shilin Yan, Pheng-Ann Heng, 
Hongsheng Li
Dongzhi Jiang, Ziyu Guo, Renrui Zhang, Zhuofan Zong, Hao Li, Le Zhuo, Shilin Yan, Pheng-Ann Heng, Hongsheng Li摘要
大型语言模型最近的进展表明，思维链（CoT）和强化学习（RL）可以提高性能。然而，将这种推理策略应用于视觉生成领域的研究尚不充分。在本文中，我们提出了 T2I-R1，一个新颖的、推理增强的文本到图像生成模型，由具有双层 CoT 推理过程的 RL 提供支持。具体来说，我们确定了两个可用于增强不同生成阶段的 CoT 层次：(1) 用于提示高级规划的语义级 CoT，以及 (2) 用于逐块生成过程中低级像素处理的令牌级 CoT。为了更好地协调这两个层次的 CoT，我们引入了 BiCoT-GRPO，它结合了一系列生成奖励，可以在同一训练步骤中无缝优化两个生成 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 上实现了 13% 的性能提升，在 WISE 基准上实现了 19% 的性能提升，甚至超过了最先进的模型 FLUX.1。代码可在以下网址获取：https://github.com/CaraJ7/T2I-R1
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 推理过程的强化学习驱动。