InterCoG：通过交错式接地链推理实现空间精确的图像编辑

针对复杂多实体场景中细粒度图像编辑的挑战，本文提出 InterCoG，一种新颖的文本 - 视觉交错式接地链推理框架。该方法首先在包含空间关系的文本中进行对象位置推理，明确推导编辑目标的位置与身份；随后通过生成边界框和掩码在像素空间进行视觉接地；最后重写编辑描述以指定预期结果。此外，本文提出了多模态接地重建监督和推理对齐两个辅助训练模块，并构建了 GroundEdit-45K 数据集及评估基准。实验证明该方法在空间复杂场景下具有优越的编辑精度。