監査と修復：テキストから画像への拡散モデルにおける一貫したストーリー可視化のためのエージェント的フレームワーク

Audit & Repair: An Agentic Framework for Consistent Story Visualization in Text-to-Image Diffusion Models

June 23, 2025

著者: Kiymet Akdemir, Tahira Kazimi, Pinar Yanardag

cs.AI

要旨

ストーリービジュアライゼーションは、複数のパネルにわたって物語を描く視覚シーンを生成する人気のタスクとなっています。この設定における中心的な課題は、特にキャラクターやオブジェクトが物語全体を通じて持続し進化する方法において、視覚的一貫性を維持することです。拡散モデルの最近の進展にもかかわらず、現在のアプローチでは主要なキャラクター属性を保持できないことが多く、一貫性のない物語が生じます。本研究では、複数パネルのストーリービジュアライゼーションにおける不整合を自律的に識別、修正、洗練する協調型マルチエージェントフレームワークを提案します。エージェントは反復ループで動作し、シーケンス全体を再生成することなく、パネルレベルのきめ細かい更新を可能にします。私たちのフレームワークはモデルに依存せず、Fluxのような整流フロートランスフォーマーやStable Diffusionのような潜在拡散モデルなど、さまざまな拡散モデルと柔軟に統合できます。定量的および定性的な実験により、本手法がマルチパネル一貫性の点で従来のアプローチを上回ることが示されています。

English

Story visualization has become a popular task where visual scenes are generated to depict a narrative across multiple panels. A central challenge in this setting is maintaining visual consistency, particularly in how characters and objects persist and evolve throughout the story. Despite recent advances in diffusion models, current approaches often fail to preserve key character attributes, leading to incoherent narratives. In this work, we propose a collaborative multi-agent framework that autonomously identifies, corrects, and refines inconsistencies across multi-panel story visualizations. The agents operate in an iterative loop, enabling fine-grained, panel-level updates without re-generating entire sequences. Our framework is model-agnostic and flexibly integrates with a variety of diffusion models, including rectified flow transformers such as Flux and latent diffusion models such as Stable Diffusion. Quantitative and qualitative experiments show that our method outperforms prior approaches in terms of multi-panel consistency.