PersonaVlog：基于多智能体协作与迭代自纠正的个性化多模态 Vlog 生成

随着短视频和个性化内容需求的增长，自动化视频日志（Vlog）生成已成为多模态内容创建的关键方向。现有方法大多依赖预定义脚本，缺乏动态性和个人表达。因此，迫切需要一种自动化 Vlog 生成方法，以实现有效的多模态协作和高个人化。为此，我们提出了 PersonaVlog，一个能够基于给定主题和参考图像生成具有个人化特征的 Vlog 的自动化多模态风格化 Vlog 生成框架，包括视频、背景音乐和内心独白语音。具体而言，我们提出了一个基于多模态大语言模型（Multimodal Large Language Models, MLLMs）的多智能体协作框架。该框架根据用户输入高效生成用于多模态内容创建的高质量提示，从而提高了流程的效率和创造力。此外，我们还包含一个反馈和回滚机制，利用 MLLMs 对生成结果进行评估和反馈，从而实现多模态内容的迭代自我纠正。我们还提出了 ThemeVlogEval，一个基于主题的自动化基准框架，提供标准化的指标和数据集，以进行公平评估。综合实验表明，我们的方法在多个基线上具有显著优势和潜力，突显了其有效性和在自动化 Vlog 生成方面的巨大潜力。