通过中间结构预测分解主体驱动的图像生成

主题驱动的文本到图像生成仍然难以保留高频身份细节，例如徽标、图案和文本。现有方法通常直接在 RGB 空间中操作，这通常会导致大量编辑下的细节退化。我们提出了一个两阶段框架，通过首先预测 Canny 图，然后根据源外观和预测结构渲染最终图像，将结构与外观分离。为了改进文本处理，我们进一步引入了一个全自动管道，该管道构建了具有跨视图文本一致性的 10 万对文本感知数据集。包括基于 GPT-4.1 的评估和 知识蒸馏 研究在内的实验显示出相对于选定基线的明显增益，并表明中间结构预测是高保真主题驱动生成的有效途径。我们的数据集和代码将公开。