以笔触而非像素思考：通过交错推理实现过程驱动的图像生成

本文提出过程驱动图像生成范式，将合成任务分解为思维与动作交错的推理轨迹。该方法摒弃单步生成，转而采用包含文本规划、视觉草稿、文本反思及视觉修正的四阶段迭代流程。文本推理明确指导视觉状态演化，生成的中间视觉结果则约束并 grounding 下一轮推理。针对中间状态评估模糊的挑战，研究引入密集分步监督，强制保持视觉时空语义一致性及文本对先验知识的保留与纠错能力，实现了可解释且可直接监督的生成过程。