StoryTailor：面向动作丰富多主体视觉叙事的零样态管线
计算机视觉与模式识别
2026-03-09 v2
摘要
在不进行微调的情况下生成多帧、动作丰富的视觉叙事面临三个相互制约的挑战：动作文本忠实性、主体身份保真性以及跨帧背景连续性。我们提出StoryTailor，一个零样态管线，可在单张 RTX 4090（24 GB）上生成具有时序一致性、身份保持性的图像序列，输入为长篇叙事提示、每个主体的参考图像以及 grounding 框框。三个协同模块驱动该系统：高斯中心注意力（Gaussian-Centered Attention, GCA）用于动态聚焦每个主体核心并缓解 grounding 框框重叠；动作提升奇异值重加权（Action-Boost Singular Value Reweighting, AB-SVR）用于放大文本嵌入空间中的动作相关方向；选择性遗忘缓存（Selective Forgetting Cache, SFC）用于保留可迁移的背景线索、遗忘非必需历史，并选择性地呈现保留线索以构建跨场景语义联系。与基线方法相比，实验表明 CLIP-T 可提升最高达 10-15%，DreamSim 低于强基线，而 CLIP-I 保持在视觉上可接受、具竞争力的范围内。在 matched 分辨率和步数下，推理速度快于 FluxKontext。定性地，StoryTailor 交付富有表现力的互动和演变但保持稳定的场景。
引用
@article{arxiv.2602.21273,
title = {StoryTailor:A Zero-Shot Pipeline for Action-Rich Multi-Subject Visual Narratives},
author = {Jinghao Hu and Yuhe Zhang and GuoHua Geng and Kang Li and Han Zhang},
journal= {arXiv preprint arXiv:2602.21273},
year = {2026}
}
备注
24 pages,19 figures,accepted by CVPR2026