在文本到图像的上下文学习 (T2I-ICL) 中，模型必须从少量示例中推断潜在的组合模式以生成查询图像。近期研究表明，最先进的多模态大语言模型在这一设置中表现不佳，主要由于组合推理能力有限以及对提示构造的敏感性。为此，我们提出了一种树状思维 (ToT) 推理框架，该框架引入了多阶段推理和选择层，生成、评估并选择多个候选假设，然后构建最终的图像合成提示。
通过探索替代的推理分支并选择一致的解释，我们的方法有效减少了提示模糊性和组合错误。我们在完整的 ToT-T2I-ICL 推理管道中实现了该方法，并在 CoBSAT 基准上进行了评估。定性和定量结果表明，与基线和链式思维提示策略相比，结构化的多分支推理可以更一致且语义上对齐地生成图像，而无需任何额外的训练或微调。
博主点评： 本文通过引入树状思维推理框架，显著提高了文本到图像生成的效果，展示了多阶段推理在解决组合推理问题上的潜力，值得在多模态学习领域深入探讨。