DreamPoster : Un Cadre Unifié pour la Conception Générative d'Affiches Conditionnée par l'Image

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

Nous présentons DreamPoster, un cadre de génération de texte à image qui synthétise intelligemment des affiches de haute qualité à partir d'images fournies par l'utilisateur et de prompts textuels, tout en préservant la fidélité du contenu et en supportant des résolutions et des mises en page flexibles. Plus précisément, DreamPoster est construit sur notre modèle T2I, Seedream3.0, pour traiter de manière uniforme différents types de génération d'affiches. Pour la construction du jeu de données, nous proposons un pipeline systématique d'annotation de données qui annote avec précision le contenu textuel et les informations hiérarchiques typographiques dans les images d'affiches, tout en employant des méthodologies complètes pour construire des jeux de données appariés comprenant des matériaux sources (par exemple, des graphiques/textes bruts) et leurs sorties d'affiches finales correspondantes. De plus, nous mettons en œuvre une stratégie d'entraînement progressive qui permet au modèle d'acquérir hiérarchiquement des capacités de génération multi-tâches tout en maintenant une génération de haute qualité. Les évaluations sur nos benchmarks de test démontrent la supériorité de DreamPoster par rapport aux méthodes existantes, atteignant un taux d'utilisabilité élevé de 88,55\%, comparé à GPT-4o (47,56\%) et SeedEdit3.0 (25,96\%). DreamPoster sera en ligne sur Jimeng et d'autres applications 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.