DreamPoster: 画像条件付き生成ポスターデザインのための統合フレームワーク

要旨

本論文では、ユーザー提供の画像とテキストプロンプトから高品質なポスターをインテリジェントに合成し、コンテンツの忠実性を維持しながら柔軟な解像度とレイアウト出力をサポートするText-to-Image生成フレームワーク「DreamPoster」を提案する。具体的には、DreamPosterは我々のT2Iモデル「Seedream3.0」を基盤として構築され、異なるポスター生成タイプを一貫して処理する。データセット構築においては、ポスター画像内のテキスト内容とタイポグラフィ階層情報を正確に注釈するシステマティックなデータアノテーションパイプラインを提案し、ソース素材（例：生のグラフィックス/テキスト）とそれに対応する最終的なポスター出力を含むペアデータセットを構築するための包括的な方法論を採用する。さらに、モデルが高品質な生成を維持しながら階層的にマルチタスク生成能力を獲得することを可能にするプログレッシブトレーニング戦略を実装する。テストベンチマークでの評価により、DreamPosterは既存の手法を凌駕し、GPT-4o（47.56%）およびSeedEdit3.0（25.96%）と比較して88.55%の高い使用率を達成することが示された。DreamPosterはJimengおよびその他のBytedanceアプリでオンライン提供される予定である。

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.

DreamPoster: 画像条件付き生成ポスターデザインのための統合フレームワーク

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

要旨

Support