Re-Align: Allineamento Guidato dal Ragionamento Strutturato per la Generazione e Modifica di Immagini In-Context
Re-Align: Structured Reasoning-guided Alignment for In-Context Image Generation and Editing
January 8, 2026
Autori: 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
Abstract
La generazione e modifica di immagini in contesto (ICGE) consente agli utenti di specificare concetti visivi mediante prompt intercalati di immagini e testo, richiedendo una comprensione precisa e un'esecuzione fedele dell'intento dell'utente. Sebbene i recenti modelli multimodali unificati mostrino capacità di comprensione promettenti, questi punti di forza spesso non si trasferiscono efficacemente alla generazione di immagini. Introduciamo Re-Align, un framework unificato che colma il divario tra comprensione e generazione attraverso un allineamento guidato da ragionamento strutturato. Il suo nucleo è costituito dall'In-Context Chain-of-Thought (IC-CoT), un paradigma di ragionamento strutturato che dissocia la guida semantica dall'associazione di riferimento, fornendo un obiettivo testuale chiaro e mitigando la confusione tra le immagini di riferimento. Inoltre, Re-Align introduce un efficace schema di addestramento RL che sfrutta una ricompensa sostitutiva per misurare l'allineamento tra il testo di ragionamento strutturato e l'immagine generata, migliorando così le prestazioni complessive del modello nelle attività ICGE. Esperimenti estesi verificano che Re-Align supera metodi competitivi di scala e risorse comparabili sia nelle attività di generazione che di modifica di immagini in contesto.
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.