DreamPoster: Een Geïntegreerd Framework voor Beeld-gestuurde Generatieve Posterontwerpen

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

July 6, 2025

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

cs.AI

Samenvatting

We presenteren DreamPoster, een Text-to-Image-generatieframework dat op intelligente wijze hoogwaardige posters synthetiseert uit door gebruikers aangeleverde afbeeldingen en tekstprompts, waarbij de inhoudelijke trouw wordt behouden en flexibele resolutie- en lay-outuitvoer wordt ondersteund. Specifiek is DreamPoster gebouwd op ons T2I-model, Seedream3.0, om verschillende soorten postergeneratie uniform te verwerken. Voor de datasetconstructie stellen we een systematische data-annotatiepijplijn voor die tekstuele inhoud en typografische hiërarchie-informatie binnen posterafbeeldingen nauwkeurig annoteert, terwijl uitgebreide methodologieën worden ingezet om gepaarde datasets te construeren die bronmaterialen (bijv. ruwe afbeeldingen/tekst) en hun bijbehorende definitieve posteruitvoer omvatten. Daarnaast implementeren we een progressieve trainingsstrategie die het model in staat stelt om hiërarchisch multi-taskgeneratiecapaciteiten te verwerven terwijl hoogwaardige generatie wordt behouden. Evaluaties op onze testbenchmarks tonen de superioriteit van DreamPoster aan ten opzichte van bestaande methoden, met een hoge bruikbaarheidsgraad van 88,55\%, vergeleken met GPT-4o (47,56\%) en SeedEdit3.0 (25,96\%). DreamPoster zal online beschikbaar zijn in Jimeng en andere Bytedance-apps.

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.