用于文本到图像上下文学习的思维树推理

在文本到图像上下文学习中，模型需从少量示例推断潜在组合模式以生成图像。针对现有大模型在此场景下组合推理能力受限及对提示构建敏感的问题，本文提出一种思维树（ToT）推理框架。该框架引入多阶段推理与选择层，在构建最终图像合成提示前，生成、评估并筛选多个候选假设。通过探索替代推理分支并选择连贯解释，该方法有效缓解了提示歧义与组合错误。实验表明，无需额外训练，结构化多分支推理显著提升了生成图像的一致性与语义对齐度。