Stride: Scale-Aware Multi-Agent Evolutionary Refinement for Infographic Generation
作者: Yan Zhou, Yang Yang
分类: cs.CV
发布日期: 2026-10-09
💡 一句话要点
提出Stride框架以解决信息图生成中的多代理进化优化问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 信息图生成 多代理系统 进化优化 约束评估 视觉基础 生成模型 多模态验证
📋 核心要点
- 核心问题：现有的信息图生成方法在处理视觉、文本和语义约束时存在局部与全局修正不匹配的问题。
- 方法要点：Stride框架通过将约束评估与视觉基础分开，采用多代理策略进行历史感知的进化优化。
- 实验或效果：Stride在多个基准测试中表现优异，超越了多种现有系统，达到了新的最先进水平。
📝 摘要（中文）
信息图生成对文本到图像模型提出了挑战，因为单个图像必须满足众多视觉、文本和语义约束。迭代的代理优化结合多模态验证器是一种自然的解决方案，但现有方法面临规模不匹配的问题：局部编辑无法纠正全局组成错误，而完全重生可能会破坏已经正确的区域。我们提出了Stride，一个基于约束的多代理框架，将任何冻结生成器的优化视为一种历史感知的进化策略。Stride将约束评估与视觉基础分开，并将全局修订路由到作曲子代理，局部修正路由到修饰子代理。每个子代理进行内部规划并生成多个候选，Stride仅在候选提高验证器评分时接受，从而减少迭代中的回归。通过完全开放权重的生成器-验证器系统，Stride在BizGenEval上超越了Nano-Banana-2.0和Seedream-5.0-Pro，在IGenBench上与GPT-Image-2.0持平并超越Seedream-5.0-Pro，在WISE上实现了新的最先进分数，同时在所有评估基准上显著超越现有的代理方法。
🔬 方法详解
问题定义：论文要解决的信息图生成问题在于现有方法无法有效处理局部与全局的修正，导致生成结果不理想。局部编辑无法纠正全局错误，而完全重生又可能破坏已正确的部分。
核心思路：Stride框架的核心思路是将约束评估与视觉基础分开，通过多代理系统进行优化。全局修订由作曲子代理处理，而局部修正则由修饰子代理负责，这样可以有效地进行历史感知的进化优化。
技术框架：Stride的整体架构包括多个子代理：作曲子代理负责全局修订，修饰子代理负责局部修正。每个子代理进行内部规划，生成多个候选方案，并通过验证器评分来选择最佳方案。
关键创新：Stride的主要创新在于其规模感知的路由机制、每步冗余设计和单调接受策略，这些设计使得在迭代过程中能够稳定提升生成质量。与现有方法相比，Stride有效减少了回归现象。
关键设计：Stride采用开放权重的生成器-验证器系统，具体的参数设置和损失函数设计尚未详细披露，但其核心在于通过多代理的协作来优化生成过程。每个子代理的规划和候选生成过程是其关键设计之一。
🖼️ 关键图片
📊 实验亮点
Stride在多个基准测试中表现突出，超越了Nano-Banana-2.0和Seedream-5.0-Pro，在BizGenEval上实现显著提升，并在IGenBench上与GPT-Image-2.0持平，超越Seedream-5.0-Pro，最终在WISE上达到了新的最先进分数，展示了其强大的性能。
🎯 应用场景
该研究的潜在应用领域包括信息图生成、广告设计、教育材料制作等。Stride框架的创新性方法能够提高生成图像的质量和准确性，具有广泛的实际价值和未来影响，尤其是在需要高质量视觉内容的场景中。
📄 摘要（原文）
Infographic generation challenges text-to-image models because a single image must satisfy numerous visual, textual, and semantic constraints. Iterative agentic refinement with a multimodal verifier is a natural remedy, but existing methods face a scale mismatch: local edits cannot correct global composition errors, while full regeneration may destroy already-correct regions. We introduce Stride, a constraint-grounded multi-agent framework that treats refinement over any frozen generator as a history-aware evolution strategy. Stride separates constraint evaluation - whether each requirement is satisfied - from visual grounding - where and how it is violated. It then routes global revisions to a composer subagent and local corrections to a retoucher subagent. Each subagent conducts internal planning and generates multiple candidates, while Stride accepts a candidate only when it improves the verifier score, reducing regression across iterations. Because stochastic generators and imperfect verifiers make any single step unreliable, it is this combination of scale-aware routing, per-step redundancy, and monotonic acceptance that yields stable improvement across iterations. With fully open-weight generator-verifier systems, Stride outperforms proprietary systems including Nano-Banana-2.0 and Seedream-5.0-Pro on BizGenEval, matches GPT-Image-2.0 and surpasses Seedream-5.0-Pro on IGenBench, and achieves a new state-of-the-art score on WISE, while substantially outperforming existing agentic methods across all evaluated benchmarks.