DreamPoster: Ein einheitliches Framework für bildgesteuerte generative Poster-Gestaltung

DreamPoster: A Unified Framework for Image-Conditioned Generative Poster Design

July 6, 2025

papers.authors: Xiwei Hu, Haokun Chen, Zhongqi Qi, Hui Zhang, Dexiang Hong, Jie Shao, Xinglong Wu

cs.AI

papers.abstract

Wir präsentieren DreamPoster, ein Text-zu-Bild-Generierungsframework, das hochwertige Poster aus benutzerbereitgestellten Bildern und Textanweisungen intelligent synthetisiert, dabei die Inhaltsgenauigkeit bewahrt und flexible Auflösungs- sowie Layout-Ausgaben unterstützt. Insbesondere basiert DreamPoster auf unserem T2I-Modell, Seedream3.0, um verschiedene Postergenerierungstypen einheitlich zu verarbeiten. Für die Datensatzkonstruktion schlagen wir einen systematischen Datenannotationspipeline vor, der den Textinhalt und typografische Hierarchieinformationen innerhalb von Posterbildern präzise annotiert, während umfassende Methoden zur Konstruktion gepaarter Datensätze eingesetzt werden, die Quellmaterialien (z. B. Rohgrafiken/Text) und ihre entsprechenden finalen Posterausgaben umfassen. Zusätzlich implementieren wir eine progressive Trainingsstrategie, die es dem Modell ermöglicht, hierarchisch Multitask-Generierungsfähigkeiten zu erwerben, während eine hochwertige Generierung aufrechterhalten wird. Bewertungen auf unseren Testbenchmarks demonstrieren die Überlegenheit von DreamPoster gegenüber bestehenden Methoden, wobei eine hohe Nutzbarkeitsrate von 88,55 % erreicht wird, verglichen mit GPT-4o (47,56 %) und SeedEdit3.0 (25,96 %). DreamPoster wird in Jimeng und anderen Bytedance-Apps online verfügbar sein.

English

We present DreamPoster, a Text-to-Image generation framework that intelligently synthesizes high-quality posters from user-provided images and text prompts while maintaining content fidelity and supporting flexible resolution and layout outputs. Specifically, DreamPoster is built upon our T2I model, Seedream3.0 to uniformly process different poster generating types. For dataset construction, we propose a systematic data annotation pipeline that precisely annotates textual content and typographic hierarchy information within poster images, while employing comprehensive methodologies to construct paired datasets comprising source materials (e.g., raw graphics/text) and their corresponding final poster outputs. Additionally, we implement a progressive training strategy that enables the model to hierarchically acquire multi-task generation capabilities while maintaining high-quality generation. Evaluations on our testing benchmarks demonstrate DreamPoster's superiority over existing methods, achieving a high usability rate of 88.55\%, compared to GPT-4o (47.56\%) and SeedEdit3.0 (25.96\%). DreamPoster will be online in Jimeng and other Bytedance Apps.