Hanzhong Guo

新框架通过分离结构与外观来增强图像生成

研究人员开发了一种新的两阶段主语驱动文本到图像生成框架，旨在提高对徽标和文本等高频身份细节的保留。该方法首先预测结构图（如Canny图），然后将此结构与原始外观一起渲染最终图像。为了增强文本处理，创建了一个包含10万个文本-图像对且具有跨视图文本一致性的新数据集。评估结果，包括使用GPT-4.1进行的评估，表明与现有方法相比，该方法能产生更忠实的主语驱动图像。