Re-Align: Alineación Guiada por Razonamiento Estructurado para la Generación y Edición de Imágenes en Contexto
Re-Align: Structured Reasoning-guided Alignment for In-Context Image Generation and Editing
January 8, 2026
Autores: Runze He, Yiji Cheng, Tiankai Hang, Zhimin Li, Yu Xu, Zijin Yin, Shiyi Zhang, Wenxun Dai, Penghui Du, Ao Ma, Chunyu Wang, Qinglin Lu, Jizhong Han, Jiao Dai
cs.AI
Resumen
La generación y edición de imágenes en contexto (ICGE) permite a los usuarios especificar conceptos visuales mediante indicaciones intercaladas de imagen y texto, lo que exige una comprensión precisa y una ejecución fiel de la intención del usuario. Aunque los modelos multimodales unificados recientes exhiben capacidades de comprensión prometedoras, estas fortalezas a menudo no se transfieren eficazmente a la generación de imágenes. Presentamos Re-Align, un marco unificado que salva la brecha entre la comprensión y la generación mediante una alineación guiada por razonamiento estructurado. En su núcleo se encuentra la Cadena de Razonamiento en Contexto (IC-CoT), un paradigma de razonamiento estructurado que desacopla la guía semántica y la asociación de referencias, proporcionando un objetivo textual claro y mitigando la confusión entre imágenes de referencia. Además, Re-Align introduce un esquema de entrenamiento efectivo con Aprendizaje por Refuerzo que aprovecha una recompensa sustitutiva para medir la alineación entre el texto de razonamiento estructurado y la imagen generada, mejorando así el rendimiento general del modelo en tareas ICGE. Experimentos exhaustivos verifican que Re-Align supera a métodos competitivos de escala y recursos comparables tanto en tareas de generación como de edición de imágenes en contexto.
English
In-context image generation and editing (ICGE) enables users to specify visual concepts through interleaved image-text prompts, demanding precise understanding and faithful execution of user intent. Although recent unified multimodal models exhibit promising understanding capabilities, these strengths often fail to transfer effectively to image generation. We introduce Re-Align, a unified framework that bridges the gap between understanding and generation through structured reasoning-guided alignment. At its core lies the In-Context Chain-of-Thought (IC-CoT), a structured reasoning paradigm that decouples semantic guidance and reference association, providing clear textual target and mitigating confusion among reference images. Furthermore, Re-Align introduces an effective RL training scheme that leverages a surrogate reward to measure the alignment between structured reasoning text and the generated image, thereby improving the model's overall performance on ICGE tasks. Extensive experiments verify that Re-Align outperforms competitive methods of comparable model scale and resources on both in-context image generation and editing tasks.