BizGen：面向信息图生成的文章级视觉文本渲染技术
计算机视觉与模式识别
2025-07-03 v2
摘要
最近，诸如 Flux 和 Ideogram 2.0 等前沿文本到图像生成模型在句子级视觉文本渲染方面取得了显著进展。本文聚焦于更具挑战性的文章级视觉文本渲染场景，提出一种基于用户提供的文章级描述性提示和超稠密布局生成高质量商业内容（包括信息图和幻灯片）的新任务。根本挑战有两个：(i)显著增长的上下文长度；(ii)高质量商业内容数据的稀缺。与大多数关注有限子区域和句子级提示的先前工作不同，确保严格遵循包含十甚至百个子区域的超稠密布局对于商业内容的生成更具挑战性。我们做出了两个关键技术贡献：(i)通过实现基于分层检索增强的信息图生成方案，构建规模可扩展的高质量商业内容数据集，即 Infographics-650K，配备超稠密布局和提示；(ii)提出一种基于布局引导的跨注意力方案，将十个区域级提示注入根据超稠密布局的裁剪区域潜在空间，并在推理期间使用布局条件 CFG 对每个子区域进行灵活细化。我们在 BizEval 提示集上对比了 Flux 和 SD3 等先前 SOTA 系统，展示了我们系统的卓越性能。此外，我们进行了详尽的消融实验以验证每个组件的有效性。我们希望所构建的 Infographics-650K 和 BizEval 能激励更广泛的社区推动商业内容生成的进一步发展。
引用
@article{arxiv.2503.20672,
title = {BizGen: Advancing Article-level Visual Text Rendering for Infographics Generation},
author = {Yuyang Peng and Shishi Xiao and Keming Wu and Qisheng Liao and Bohan Chen and Kevin Lin and Danqing Huang and Ji Li and Yuhui Yuan},
journal= {arXiv preprint arXiv:2503.20672},
year = {2025}
}
备注
Accepted by CVPR 2025. Project Page: https://bizgen-msra.github.io