ThinkGen: LLMを活用した画像生成

この論文は、Multimodal Large Language Models (MLLMs)のChain-of-Thought (CoT)推論能力を視覚生成タスクに活用する新しいフレームワークThinkGenを紹介しています。既存の手法の限界を克服するために、分離されたアーキテクチャと分離可能なGRPOベースのトレーニングパラダイムを提案し、多様な生成シナリオへの一般化を可能にしています。この論文の重要性は、高度な推論を組み込むことによって、画像生成の品質と適応性を向上させる可能性にあります。

• •ThinkGenは、MLLMのCoT推論を利用した視覚生成のための新しいフレームワークです。
• •MLLMとDiffusion Transformer (DiT)を備えた分離されたアーキテクチャを採用しています。
• •トレーニングには、分離可能なGRPOベースのトレーニングパラダイム（SepGRPO）が使用されています。
• •このフレームワークは、複数の生成ベンチマークで最先端のパフォーマンスを達成しています。