新的ATLAS框架增强了MLLM的可控图像生成能力

研究人员推出了一种名为ATLAS的新型框架，旨在增强统一多模态大语言模型（MLLMs）的可控图像生成能力。ATLAS采用“思考、规划和绘制”范式，利用布局作为核心表示，来管理空间推理、物体排列规划和最终图像渲染。该方法取得了显著改进，在空间相关任务上，相比现有的基于布局的MLLMs提高了65.31%，相比基础模型提高了23.06%。该框架还支持指令引导编辑和多模态接地，并开发了一个新的基准ATLAS-Reasoning，用于评估在复杂空间指令下的生成能力。 AI

影响 增强了MLLM在可控图像生成方面的能力，可能改进需要精确空间理解和渲染的应用。

排序理由 关于MLLM图像生成新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• MLLMs
• ScienceCast
• Think, Plan, Paint

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →