DreamPoster: Унифицированная платформа для генеративного дизайна постеров на основе изображений

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

July 6, 2025

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

cs.AI

Аннотация

Мы представляем DreamPoster, фреймворк для генерации изображений из текста, который интеллектуально синтезирует высококачественные постеры на основе предоставленных пользователем изображений и текстовых запросов, сохраняя при этом точность содержания и поддерживая гибкое разрешение и компоновку выходных данных. В частности, DreamPoster построен на основе нашей модели T2I, Seedream3.0, которая унифицированно обрабатывает различные типы генерации постеров. Для создания набора данных мы предлагаем систематический конвейер аннотирования данных, который точно маркирует текстовое содержание и иерархию типографики в изображениях постеров, одновременно применяя комплексные методики для создания парных наборов данных, включающих исходные материалы (например, сырые графику/текст) и соответствующие им финальные выходные постеры. Кроме того, мы реализуем прогрессивную стратегию обучения, которая позволяет модели иерархически осваивать многозадачные возможности генерации, сохраняя при этом высокое качество результатов. Оценки на наших тестовых бенчмарках демонстрируют превосходство DreamPoster над существующими методами, достигая высокой степени удобства использования в 88,55\%, по сравнению с GPT-4o (47,56\%) и SeedEdit3.0 (25,96\%). DreamPoster будет доступен в Jimeng и других приложениях 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.