Infinite-Story：基于无训练的一致文本到图像生成

我们提出了 Infinite-Story，一个针对多提示叙事场景的无训练一致文本到图像（T2I）生成框架。基于尺度自回归模型，本方法解决了一致文本到图像生成中的两个关键问题：身份不一致和风格不一致。为克服这些问题，我们引入了三种互补技术：身份提示替换（Identity Prompt Replacement），可减轻文本编码器中的上下文偏差，从而在不同提示之间对齐身份属性；以及由自适应风格注入（Adaptive Style Injection）和同步引导适应（Synchronized Guidance Adaptation）构成的统一注意力引导机制，联合实现全局风格和身份外观的一致性，同时保持提示保真度。不同于需要微调或推理速度慢的基于扩散的方法，Infinite-Story完全在测试阶段运行，能在多样化提示下实现高度的身份和风格一致性。大量实验表明，我们的方法在生成性能上达到最先进水平，推理速度比现有最快的一致文本到图像模型快超过6倍（每张图像仅需1.72秒），凸显了其在实际视觉叙事中的有效性和实用性。