IV-CoT：用于结构感知文本到图像生成的隐式视觉思维链

统一多模态大语言模型在文本生成图像方面表现优异，但在结构感知提示遵循上仍显不足，难以保持物体数量、空间关系及布局。本文归因于结构规划与外观渲染在单一条件流中的纠缠，提出隐式视觉思维链（IV-CoT）框架。该方法将视觉条件查询分解为“结构到语义”的级联过程：结构查询首先生成潜在视觉计划，语义查询随后基于该计划渲染外观。通过引入仅训练阶段的草图监督，引导结构查询捕捉结构信息，无需推理时的中间解码。IV-CoT 在单次前向传播中实现隐式推理，在 GenEval 和 T2I-CompBench 基准上取得优越结果。