图像生成迎来CoT时刻！港中文首次提出文生图的o1推理和inference scaling新范式！

↑ 点击蓝字关注极市平台

作者丨AI生成未来

来源丨AI生成未来

编辑丨极市平台

极市导读

本文介绍了香港中文大学、北京大学和上海AI Lab的研究者们提出的将思维链推理应用于文生图的新方法。研究通过测试时验证和直接偏好优化（DPO）等策略，结合新提出的潜力评估奖励模型及其改进版本PARM++，显著提升了自回归图像生成的质量和文本一致性，为文生图领域带来了新的研究方向。 >>加入极市CV技术交流群，走在计算机视觉的最前沿

随着OpenAI o1向社区展示了思维链Chain-of-Thought（CoT）对于大模型推理能力的强大提升，各种基于强化学习RL和提升test-time推理成本的方案已经在大模型理解领域取得了很大的进展。然而，在图像生成（Image Generation）领域，例如文生图（Text-to-Image）与文生视频（Text-to-Video），我们是否也可以借鉴CoT相关的策略，来提升图片或视频的质量和文本一致性呢？

来自香港中文大学、北京大学、和上海AI Lab的研究者们通过Verify和Reinforce的方案，系统地探索了“CoT推理+文生图”的结合与潜力。研究表明，这些方法能够显著提高自回归（Autoregressive）图像生成的质量。作者还针对这一任务提出了两种全新的奖励模型——潜力评估奖励模型（Potential Assessment Reward Model, PARM）及其改进版本PARM++。其中，PARM++融入了反思机制（Reflection Mechanism），进一步提升了图像生成的效果。

论文标题：Can We Generate Images with CoT? Let’s Verify and Reinforce Image Generation Step by Step

论文地址：https://arxiv.org/pdf/2501.13926

项目地址：https://github.com/ZiyuGuo99/Image-Generation-CoT

研究背景与挑战

目前，CoT（Chain-of-Thought）推理已在大语言模型（LLM）和多模态大模型（LMM）中广泛应用，特别是在数学推理和科学计算等任务中表现出卓越能力。然而，在自回归图像生成任务中，如何有效地验证（Verify）和强化（Reinforce）生成过程仍然是未解的关键问题。本文系统性地探讨了“CoT推理+文生图”的可行性和潜力。左图展示了现有的“CoT推理+解数学题”的研究框架，而右图则展示了本文对“CoT推理+文生图”任务的全面探索。

研究团队发现，自回归图像生成和LLM/LMM在推理架构上具有相似性，包括以下两方面：

离散化Token表示：无论是语言还是图像数据，自回归模型都通过量化为离散的Token，逐步生成输出。
逐步解码（Step-by-Step Decoding）：类似于CoT在数学推理中的分步解析，自回归图像生成同样能够逐步生成中间图像，并在过程中实现验证与优化。

CoT 如何应用于图像生成？

鉴于自回归图像生成与LLM在数据表征和推理架构上的相似性，本文首次验证了“CoT+文生图”的可行性。研究包括以下方法：Test-time Verification、偏好排序数据构建（Preference Ranking Data）、以及通过DPO（Direct Preference Optimization）实现偏好对齐。同时，本文提出了两种全新的奖励模型——潜力评估奖励模型（PARM）和其改进版本PARM++，以进一步优化图像生成质量。实验结果表明，这些推理策略显著提升了自回归图像生成的性能。

具体方案

本文以“文生图”为研究场景，基于Show-o模型进行研究，方法分为三个核心部分：

1、测试时验证（Test-time Verification）

作者通过奖励模型（Reward Model, RM）对生成结果进行测试时验证，实现了Outcome Reward Model（ORM，下图左边部分）和Process Reward Model（PRM，下图中间部分）方案，并在两者的基础上提出了两种全新的针对于图像生成任务的Potential Assessment Reward Model（PARM，下图右边部分）和PARM++。

1.1. 结果奖励模型（Outcome Reward Model, ORM）

采用Best-of-N策略，从多次完整路径的生成结果中选择出质量最优的最终图像：

Zero-shot ORM：直接利用LLaVA-OneVision的7B模型，作为Zero-shot ORM进行图像质量评估。：

Fine-tuned ORM：为了进一步增强ORM的专业性能，作者也构建了大规模的图文reward data来得到fine-tuned ORM，数据形式如下图所示：

1.2. 过程奖励模型（Process Reward Model, PRM）：

PRM针对每一步生成过程进行逐步评估，尝试通过Best-of-N选择质量最优的中间生成图像。然而，作者发现这一方法在图像生成早期受限于模糊图像，在后期生成阶段路径趋于相似，导致提升效果有限，如下图所示。

1.3. 潜力评估奖励模型（Potential Assessment Reward Model, PARM）：

为结合ORM的高效性和PRM的细粒度逐步验证，作者提出了专为自回归图像生成任务设计的奖励模型——PARM。该模型通过以下步骤提升生成质量：

清晰度判断（Clarity Judgment）：识别哪些中间步骤的图像已经足够清晰，可用于后续评估。
潜力性评估（Potential Assessment）：分析当前生成路径是否有潜力生成高质量结果。
最佳选择（Best-of-N’ Selection）：在高潜力路径中选择最优最终图像。

1.4. 潜力评估奖励模型++（Potential Assessment Reward Model++，PARM++）

如下图所示，在PARM的基础上，PARM++引入反思机制（Self-reflection），允许模型在生成错误时进行自我修正。具体而言，PARM++对最终生成图像进行评估，不符合文本描述的图像会触发自我修正过程，通过反馈重新生成结果。实验结果表明，PARM++使图像生成在物体数量、颜色和空间关系等方面表现更为准确，GenEval性能提升+10%。

2、直接偏好优化（Direct Preference Optimization, DPO）Alignment：

作作者进一步引入DPO进行偏好对齐，基于构建的288K图文排序数据训练模型，使生成结果更符合人类偏好。训练过程中采用最大似然优化，使模型输出倾向于更符合偏好的结果。初次DPO训练提升了GenEval性能+9%，通过迭代DPO进一步提升至+12%，超越 Fine-tuned ORM。

3、测试时验证与DPO结合：

研究还探索了将Test-time Verification与DPO结合的策略，在DPO训练的基础上应用验证筛选，进一步优化生成图像的质量与一致性。结合两种方法后，模型在GenEval指标上实现了整体提升+27%。，超越单独使用 DPO 或 Test-time Verification 的方案。

总体效果对比

下表展示了模型在GenEval基准上的总体性能比较，相比于现有的扩散模型和自回归模型，结果证明了在文本生成图像任务中使用CoT推理策略的潜力。

结论

本研究首次系统性地探讨了CoT推理策略在自回归图像生成中的适用性和潜在优势。通过全面的实验分析，验证了多种推理策略（如测试时验证、偏好对齐及其结合）在提升图像生成质量方面的显著效果。在此基础上，本文提出了两种专为自回归图像生成设计的奖励模型——潜力评估奖励模型（PARM）和PARM++。其中，PARM通过对逐步生成过程进行自适应评分提升质量，而PARM++引入反思机制（Self-reflection），实现了自我修正的生成策略。实验结果表明，CoT推理在自回归图像生成任务中展现了极大的发展潜力，为该领域的进一步研究指明了新方向，并为大模型推理能力的提升奠定了重要基础！