FiRe：用多模态推理提升图像生成

研究提出 FiRe，一种通过多模态大模型（MLLM）进行细粒度多步推理来增强图像生成的方法。它先将提示词拆解为关键视觉需求，再自行判断生成图像是否满足这些需求，并依据自生成的反馈对图像做局部精修。 配套的 FiRe-GRPO 把推理过程建模为步级决策问题，设计步级奖励与优势计算，以缓解标准 GRPO 在多步推理中奖励稀疏的问题。作者称实验显示 FiRe 持续优于现有基于推理的文本到图像基线，在组合式基准上提升尤为明显。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。