提出隐式视觉思维链(IV-CoT)框架,通过结构到语义的潜在查询级联与仅训练时的草图监督,在单次前向传播中实现结构感知的文本到图像生成,提升了生成质量并大幅降低推理延迟。
机构:中科院
来源:arXiv 2606.24849 | AI4Papers 论文推荐平台