通过细粒度多模态推理增强文本到图像生成

尽管统一的多模态大语言模型具备内在的推理能力，但其在文本到图像生成中的自反思与自优化应用尚不充分。现有方法多依赖整体对齐判断，缺乏对细节属性的细粒度控制。为此，本文提出细粒度多模态推理（FiMR）框架，利用分解式视觉问答将提示词拆解为最小语义单元并逐一验证，生成显式反馈以指导局部优化。实验表明，该方法在组合性基准测试中显著优于现有基线，有效提升了图像与提示词的对齐精度及生成质量。