从“什么”到“如何”：用于自回归图像生成的约束推理

针对自回归图像生成仅关注“画什么”而忽视“如何画”导致空间歧义的问题，本文提出 CoR-Painter 框架。该框架首创“如何到什么”范式，通过约束推理从输入提示中推导视觉约束（如空间关系、组合规则），以此指导详细描述的生成，确保结构合理性。此外，引入双目标 GRPO 策略优化文本推理与视觉投影过程。实验表明，该方法在空间指标上显著优于现有技术，实现了最先进的性能。