SCO：无需训练的图文交错生成自校正

多模态大语言模型（MLLM）在视觉理解和生成方面取得了重大进展。然而，生成交错的图像-文本内容仍然具有挑战性，因为它需要紧密集成的多模式理解和生成能力。尽管现有的 MLLM 提供了有前景的解决方案，但大多数都依赖于增强数据的额外训练，这在计算上成本高昂，并且在保留视觉主题、时间一致性和物理合理性方面仍然受到限制。在这项工作中，我们提出了自校正优化（SCO），这是一种有效的免训练一致交错生成方法。 SCO 将无分类器指导更新作为参考，并在两个互补约束下执行最小的自校正，包括新事件约束和状态保留约束。具体来说，新事件约束促进图像文本序列之间的时间一致性，而状态保留约束在整个后续生成步骤中保持视觉主题的一致性。具有挑战性的交错实验 多模态生成基准证明了时间一致性和视觉主题保存方面的显着改进。此外，SCO 可以扩展到视频生成，并改进物理基础过程的建模，包括机器人操作和长期手工制作。