用于图像编辑的生成式视觉思维链

现有图像编辑方法在复杂场景下难以精准定位编辑区域。为此，本文提出生成式视觉思维链（GVCoT），一种统一框架，通过先生成空间线索定位目标区域再执行编辑，实现原生视觉推理。不同于仅依赖文本或工具的思维链，GVCoT 端到端联合优化推理与编辑阶段的视觉令牌，激发内在空间推理能力。针对训练数据稀缺问题，构建了包含 180 万样本的 GVCoT-Edit-Instruct 数据集，并采用监督微调结合强化学习的渐进式训练策略。实验表明，该方法在 SREdit-Bench 等新基准上优于最先进模型。