ALCANCE: Descomposición Estructurada y Orquestación Condicional de Habilidades para la Generación de Imágenes Complejas
SCOPE: Structured Decomposition and Conditional Skill Orchestration for Complex Image Generation
May 8, 2026
Autores: Tianfei Ren, Zhipeng Yan, Yiming Zhao, Zhen Fang, Yu Zeng, Guohui Zhang, Hang Xu, Xiaoxiao Ma, Shiting Huang, Ke Xu, Wenxuan Huang, Lionel Z. Wang, Lin Chen, Zehui Chen, Jie Huang, Feng Zhao
cs.AI
Resumen
Aunque los modelos de texto a imagen han logrado avances significativos en fidelidad visual, materializar fielmente intenciones visuales complejas sigue siendo un desafío, ya que es necesario rastrear múltiples requisitos a lo largo del anclaje, generación y verificación. Nos referimos a estos requisitos como compromisos semánticos y formalizamos su discontinuidad en el ciclo de vida como la Brecha Conceptual, donde los compromisos pueden resolverse o verificarse localmente, pero no logran mantenerse identificables como unidades operativas consistentes durante todo el ciclo de generación. Para abordar esto, proponemos SCOPE, un marco de orquestación de habilidades guiado por especificaciones que mantiene los compromisos semánticos en una especificación estructurada en evolución e invoca condicionalmente habilidades de recuperación, razonamiento y reparación en torno a compromisos no resueltos o violados. Para evaluar la realización de intenciones a nivel de compromiso, presentamos Gen-Arena, un punto de referencia anotado por humanos con especificaciones a nivel de entidades y restricciones, junto con la Tasa de Aprobación de Intención con Compuerta de Entidad (EGIP), un criterio estricto de aprobación priorizando entidades. SCOPE supera sustancialmente todas las líneas base evaluadas en Gen-Arena, alcanzando un EGIP de 0.60, y además logra resultados sólidos en WISE-V (0.907) y MindBench (0.61), demostrando la efectividad del seguimiento persistente de compromisos para la generación de imágenes complejas.
English
While text-to-image models have made strong progress in visual fidelity, faithfully realizing complex visual intents remains challenging because many requirements must be tracked across grounding, generation, and verification. We refer to these requirements as semantic commitments and formalize their lifecycle discontinuity as the Conceptual Rift, where commitments may be locally resolved or checked but fail to remain identifiable as the same operational units throughout the generation lifecycle. To address this, we propose SCOPE, a specification-guided skill orchestration framework that maintains semantic commitments in an evolving structured specification and conditionally invokes retrieval, reasoning, and repair skills around unresolved or violated commitments. To evaluate commitment-level intent realization, we introduce Gen-Arena, a human-annotated benchmark with entity- and constraint-level specifications, together with Entity-Gated Intent Pass Rate (EGIP), a strict entity-first pass criterion. SCOPE substantially outperforms all evaluated baselines on Gen-Arena, achieving 0.60 EGIP, and further achieves strong results on WISE-V (0.907) and MindBench (0.61), demonstrating the effectiveness of persistent commitment tracking for complex image generation.