DreamPoster: Un Framework Unificato per la Progettazione di Poster Generativi Condizionati da Immagini

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

July 6, 2025

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

cs.AI

Abstract

Presentiamo DreamPoster, un framework di generazione da testo a immagine che sintetizza in modo intelligente poster di alta qualità a partire da immagini e prompt testuali forniti dall'utente, mantenendo la fedeltà del contenuto e supportando output con risoluzione e layout flessibili. Nello specifico, DreamPoster è basato sul nostro modello T2I, Seedream3.0, per elaborare in modo uniforme diversi tipi di generazione di poster. Per la costruzione del dataset, proponiamo una pipeline di annotazione sistematica che annota con precisione il contenuto testuale e le informazioni gerarchiche tipografiche all'interno delle immagini dei poster, impiegando metodologie complete per costruire dataset accoppiati comprendenti materiali di partenza (ad esempio, grafiche/testi grezzi) e i loro corrispondenti output finali di poster. Inoltre, implementiamo una strategia di addestramento progressivo che consente al modello di acquisire gerarchicamente capacità di generazione multi-task mantenendo una generazione di alta qualità. Le valutazioni sui nostri benchmark di test dimostrano la superiorità di DreamPoster rispetto ai metodi esistenti, raggiungendo un tasso di usabilità elevato dell'88,55\%, rispetto a GPT-4o (47,56\%) e SeedEdit3.0 (25,96\%). DreamPoster sarà disponibile online su Jimeng e altre app di 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.