计算机科学 > 计算机视觉与模式识别
[提交于 2025年5月30日
(此版本)
, 最新版本 2025年6月5日 (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
摘要: 尽管链式思维推理和强化学习(RL)已在自然语言处理领域推动了突破性进展,但它们尚未被充分整合到生成式视觉模型中。 我们提出了ReasonGen-R1,这是一种两阶段框架:首先通过在新生成的书面理由推理数据集上进行有监督微调,使自回归图像生成器获得基于文本的“思考”技能;然后利用组相对策略优化(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,我们自动创建并发布了一组与视觉提示配对的模型生成理由语料库,从而实现对象布局、风格和场景构成的可控规划。我们的GRPO算法使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,并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。
文献和引用工具
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
推荐器和搜索工具
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.