ThinkGen: 基于LLM的视觉生成

本文介绍了ThinkGen，这是一个利用多模态大型语言模型 (MLLM) 的 Chain-of-Thought (CoT) 推理能力进行视觉生成任务的新框架。它通过提出解耦架构和可分离的基于 GRPO 的训练范式来解决现有方法的局限性，从而实现跨不同生成场景的泛化。本文的重要性在于它通过结合高级推理来提高图像生成的质量和适应性。

• •ThinkGen 是一个利用 MLLM 的 CoT 推理进行视觉生成的新框架。
• •它采用具有 MLLM 和 Diffusion Transformer (DiT) 的解耦架构。
• •使用可分离的基于 GRPO 的训练范式 (SepGRPO) 进行训练。
• •该框架在多个生成基准上实现了最先进的性能。