Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2505.24875

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2505.24875 (cs)
[提交于 2025年5月30日 (v1) ,最后修订 2025年6月5日 (此版本, v2)]

标题: ReasonGen-R1:通过SFT和RL的自回归图像生成模型的CoT

标题: ReasonGen-R1: CoT for Autoregressive Image generation models through SFT and RL

Authors:Yu Zhang, Yunqi Li, Yifan Yang, Rui Wang, Yuqing Yang, Dai Qi, Jianmin Bao, Dongdong Chen, Chong Luo, Lili Qiu
摘要: 尽管链式思维推理和强化学习(RL)在自然语言处理(NLP)领域推动了突破性进展,但它们与生成视觉模型的集成仍处于未充分探索的状态。 我们引入了ReasonGen-R1,这是一个两阶段框架,首先通过在一个新生成的书面理由推理数据集上进行监督微调,赋予自回归图像生成器明确的基于文本的“思考”技能,然后使用组相对策略优化(GRPO)来优化其输出。 为了使模型能够在生成图像之前通过文本进行推理,我们自动生成并发布了一组由模型精心设计的理由语料库,并附带视觉提示,从而实现对象布局、风格和场景构成的可控规划。 我们的GRPO算法利用预训练的视觉语言模型的奖励信号来评估整体视觉质量,在每次更新中优化策略。 在GenEval、DPG和T2I基准测试中的评估表明,ReasonGen-R1始终优于强大的基线模型和先前最先进的模型。 更多内容:aka.ms/reasongen。
摘要: Although chain-of-thought reasoning and reinforcement learning (RL) have driven breakthroughs in NLP, their integration into generative vision models remains underexplored. We introduce ReasonGen-R1, a two-stage framework that first imbues an autoregressive image generator with explicit text-based "thinking" skills via supervised fine-tuning on a newly generated reasoning dataset of written rationales, and then refines its outputs using Group Relative Policy Optimization. To enable the model to reason through text before generating images, We automatically generate and release a corpus of model crafted rationales paired with visual prompts, enabling controlled planning of object layouts, styles, and scene compositions. Our GRPO algorithm uses reward signals from a pretrained vision language model to assess overall visual quality, optimizing the policy in each update. Evaluations on GenEval, DPG, and the T2I benchmark demonstrate that ReasonGen-R1 consistently outperforms strong baselines and prior state-of-the-art models. More: aka.ms/reasongen.
主题: 计算机视觉与模式识别 (cs.CV) ; 计算与语言 (cs.CL)
引用方式: arXiv:2505.24875 [cs.CV]
  (或者 arXiv:2505.24875v2 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2505.24875
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Yifan Yang [查看电子邮件]
[v1] 星期五, 2025 年 5 月 30 日 17:59:48 UTC (15,180 KB)
[v2] 星期四, 2025 年 6 月 5 日 17:51:58 UTC (15,248 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-05
切换浏览方式为:
cs
cs.CL

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | Disable MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号