DreamPoster: Un Marco Unificado para el Diseño de Carteles Generativos Condicionados por Imágenes

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

July 6, 2025

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

cs.AI

Resumen

Presentamos DreamPoster, un marco de generación de Texto a Imagen que sintetiza de manera inteligente carteles de alta calidad a partir de imágenes y textos proporcionados por el usuario, manteniendo la fidelidad del contenido y permitiendo salidas flexibles en resolución y diseño. Específicamente, DreamPoster se basa en nuestro modelo T2I, Seedream3.0, para procesar de manera uniforme diferentes tipos de generación de carteles. Para la construcción del conjunto de datos, proponemos una canalización sistemática de anotación de datos que etiqueta con precisión el contenido textual y la información jerárquica tipográfica dentro de las imágenes de los carteles, mientras emplea metodologías exhaustivas para construir conjuntos de datos emparejados que incluyen materiales de origen (por ejemplo, gráficos/textos en bruto) y sus correspondientes salidas finales de carteles. Además, implementamos una estrategia de entrenamiento progresivo que permite al modelo adquirir jerárquicamente capacidades de generación multitarea mientras mantiene una generación de alta calidad. Las evaluaciones en nuestros puntos de referencia de prueba demuestran la superioridad de DreamPoster sobre los métodos existentes, alcanzando una tasa de usabilidad del 88.55\%, en comparación con GPT-4o (47.56\%) y SeedEdit3.0 (25.96\%). DreamPoster estará disponible en Jimeng y otras aplicaciones de Bytedance.

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.