CoCo：作为思维链的代码用于文本到图像预览和稀有概念生成 **摘要** 在文本。.

最近统一多模态模型（UMMs）的进展通过整合思维链（CoT）推理，显著推进了文本到图像（T2I）生成。然而，现有基于CoT的T2I方法在很大程度上依赖于抽象的自然语言规划，这对于复杂的空间布局、结构化视觉元素和密集的文本内容缺乏所需的精度。在本工作中，我们提出CoCo（Code-as-CoT），一种代码驱动的推理框架，将推理过程表示为可执行代码，使图像生成具有显式且可验证的中间规划能力。给定文本提示，CoCo首先生成可执行代码，该代码指定场景的结构布局，然后在沙箱环境中执行以渲染确定性的草图图像。模型随后通过细粒度的图像编辑来细化该草图，以生成最终的高保真结果。为了支持这一训练范式，我们构建了CoCo-10K，这是一个精选数据集，包含结构化的草图-最终图像对，旨在教授结构化草图构建和纠正性视觉细化。在StructT2IBench、OneIG-Bench和LongText-Bench上的实验评估表明，CoCo相对于直接生成实现了+68.83%、+54.8%和+41.23%的改进，同时也优于由CoT赋能的其他生成方法。这些结果证明可执行代码是一种有效可靠的推理范式，用于精确、可控和结构化的文本到图像生成。代码可在