本文提出 SpatialReward，一种专为评估和提升文本生成图像（T2I）中精细空间一致性的可验证奖励模型。该方法通过并将 Prompt 分解与专家检测器、多模态大模型（VLM）的思维链（CoT）逻辑推理结合，在 SD3.5 和 FLUX 模型上实现了显著的空间布局优化。
TL;DR
尽管当前的文本生成图像（T2I）模型（如 FLUX, SD3.5）在画质上已达巅峰，但在处理“A 在 B 左边、且 C 的表面刻有特定文字”这种精细空间布局时仍频繁翻车。阿里巴巴、浙大与复旦团队联合推出的 SpatialReward 提出了一种创新的“解耦再推理”方案：通过专家模型检测事实 + VLM 逻辑推理，构建了一个物理意义上可验证的奖励模型，通过 RL 训练让模型真正理解什么是“空间一致性”。
痛点深挖：为何模型总是“画得好，摆得烂”？
在 T2I 领域，RLHF 或强化学习（RL）已成为刷榜标配。然而，现有的奖励模型（Reward Model）存在两大短板：
- Prompt-side 僵硬：传统结构化方法只能理解“一个苹果”这种简单句，遇到复杂的自然语言描述就失效。
- Vision-side 幻觉：基于 CLIP 的全局评分虽然觉得图像“看起来很美”，但无法察觉物体位置的细微错位或遮挡关系的逻辑性，导致所谓的“视觉欺骗”。
核心方案：SpatialReward 的“三步走”战略
作者认为，要解决空间幻觉，必须给 AI 一个能“算清楚”的裁判。
1. 结构化解构 (Prompt Decomposition)
利用微调过的 Qwen2.5-VL 将 free-form 的自然语言拆解。例如把“洗手池左边第二个刻有 Clean”拆解为：(实体: 槽, 数量: 4, 关系: 在...之间, 文字: Clean)。
2. 事实性验证 (Verifiable Grounding)
不再让 VLM 盲猜，而是引入专业的“专家模型”：
- Open-set Detectors (YOLO-World/G-DINO) 定位物体。
- OCR 模型 强制核对文字内容与位置。
- 深度估计模型 判断物体的 3D 前后层次。 这种引入物理信号的方式，为奖励提供了Inductive Bias。
3. 思维链推理 (CoT Reasoning)
将第一步的约束和第二步的检测坐标全部喂给 Qwen2.5-VL，让它像做几何题一样给出理由：“因为物体 A 的中心点坐标 (x1,y1) 小于物体 B 的 (x2,y2)，所以‘左边’这一关系成立。”
实验战绩：全方位的空间觉醒
在作者提出的更严苛的基准测试 SpatRelBench（包含 3D 关系、物体朝向、文字精确位置等）中，SpatialReward 表现惊人：
- 精度爆炸：在 SD3.5 上，位置准确度（Pos.）从原生模型的 0.28 飙升至 0.98。
- 复杂文本渲染：在“物体特定位置渲染特定文字”这一地狱级任务中，性能提升了近 3 倍。
- 人类对齐：其评分与人类真实感受的相关性（Spearman ρ）达到了 0.63，远超 CLIPScore (0.42)。
深度洞察
SpatialReward 的成功本质上是视觉推理的符号化（Symbolic）回归。纯内生（End-to-end）的模型往往在统计规律中迷失，而通过专家检测器引入的外生知识，充当了 RL 过程中的“物理常识锚点”。
局限性与未来展望： 尽管在静态图像上表现卓越，但对于极其复杂的遮挡（如透明材质后的物体定位）仍依赖于感知模型的极限。未来的产线可能会将此框架扩展到视频流生成中，解决视频中物体前后帧空间不一致（Spatial-Temporal Inconsistency）的顽疾。
结论
SpatialReward 不仅仅是一个更好的评分工具，它提供了一种**“可解释生成”**的新思路：通过强化学习，强制让黑盒扩散模型去对合物理世界的几何规则。对于追求精准控图的设计师和开发者来说，这无疑是迈向工业级应用的重要一步。