RPG-DiffusionMasterは、トレーニング不要の新しいテキストから画像を生成?編集するフレームワークです。多様なモダリティに対応するLLMの連鎖推論能力を活用することで、テキストから画像への拡散モデルの組み合わせ能力を強化します。このフレームワークは、MLLMをグローバルプランナーとして採用し、複雑な画像生成プロセスを複数のサブ領域における単純な生成タスクに分解します。同時に、補完的な領域拡散を提案し、領域ごとの組み合わせ生成を実現します。さらに、提案されたRPGフレームワークでは、テキストガイド付きの画像生成と編集を閉ループで統合することで、汎化能力を向上させています。数多くの実験により、RPG-DiffusionMasterは、DALL-E 3やSDXLなどの最先端のテキストから画像への拡散モデルと比較して、多様なオブジェクトの組み合わせとテキストと画像のセマンティックアライメントにおいて優れた性能を示すことが証明されました。特に、RPGフレームワークは、様々なMLLMアーキテクチャ（例：MiniGPT-4）や拡散バックボーン（例：ControlNet）との高い互換性を備えています。