StruVis：通过结构化视觉思维增强基于推理的文本到图像生成

基于推理的文本到图像（T2I）生成要求模型准确解读复杂提示。现有方法要么缺乏视觉上下文，要么计算成本高昂且受限于生成器能力。为此，本文提出 StruVis 框架，通过“结构化视觉思维”增强 T2I 生成。该方法不依赖中间图像生成，而是利用基于文本的结构化视觉表示作为中间推理状态，使多模态大模型能在纯文本推理过程中有效“感知”视觉结构。作为与生成器无关的框架，StruVis 可无缝集成多种 T2I 生成器。实验表明，其在 T2I-ReasonBench 和 WISE 基准上分别提升了 4.61% 和 4%。