Re-Align : Alignement guidé par un raisonnement structuré pour la génération et l'édition d'images en contexte
Re-Align: Structured Reasoning-guided Alignment for In-Context Image Generation and Editing
January 8, 2026
papers.authors: 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
papers.abstract
La génération et l'édition d'images en contexte (ICGE) permet aux utilisateurs de spécifier des concepts visuels via des invites entrelacées image-texte, exigeant une compréhension précise et une exécution fidèle de l'intention utilisateur. Bien que les modèles multimodaux unifiés récents présentent des capacités de compréhension prometteuses, ces atouts échouent souvent à se transposer efficacement à la génération d'images. Nous présentons Re-Align, un cadre unifié qui comble le fossé entre compréhension et génération via un alignement guidé par un raisonnement structuré. Son cœur repose sur le Raisonnement en Chaîne en Contexte (IC-CoT), un paradigme de raisonnement structuré qui découple le guidage sémantique et l'association de référence, fournissant une cible textuelle claire et atténuant la confusion entre les images de référence. De plus, Re-Align introduit un schéma d'entraînement par RL efficace qui exploite une récompense substitutive pour mesurer l'alignement entre le texte de raisonnement structuré et l'image générée, améliorant ainsi les performances globales du modèle sur les tâches ICGE. Des expériences approfondies vérifient que Re-Align surpasse les méthodes concurrentes d'échelle et de ressources comparables sur les tâches de génération et d'édition d'images en contexte.
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.