MOSS-Image: Mô hình tạo ảnh mở hỗ trợ văn bản dài và bố cục phức tạp
Các nhà nghiên cứu giới thiệu MOSS-Image, một hệ thống tạo ảnh có trọng số mở được thiết kế để tạo ra hình ảnh vừa có chất lượng thị giác cao vừa giữ được bố cục chính xác, nhiều thông tin. Nền tảng này sử dụng một diffusion transformer đơn luồng 5B tham số được huấn luyện từ đầu, hỗ trợ kết xuất văn bản dài bằng tiếng Anh và tiếng Trung cũng như kiểm soát vị trí các thành phần trong ảnh. Hệ thống còn có mô-đun nâng cao prompt nhận biết ý định, chuyển yêu cầu khái quát của người dùng thành các đặc tả chi tiết về nội dung và bố cục. Nhóm nghiên cứu đề xuất LongLongTextBench để kiểm tra khả năng hiển thị văn bản dài bằng tiếng Anh và tiếng Trung, cùng RealLayoutArena để đánh giá việc tạo ảnh có bố cục phong phú, qua đó nhắm tới những hạn chế phổ biến của các mô hình tạo ảnh mở hiện nay.
Các nhà phát triển công cụ tạo ảnh có thể theo dõi MOSS-Image như một hướng mã nguồn mở nhằm cải thiện khả năng chèn văn bản dài và sắp xếp bố cục phức tạp. Người dùng nên chờ thông tin về trọng số và cách triển khai thực tế nếu muốn thử nghiệm trực tiếp.
Đọc bài gốc