AI 漫畫生成框架，能生成可控的黑白漫畫面板

產(chǎn)品名稱：DiffSensei
產(chǎn)品簡(jiǎn)介：DiffSensei是北京大學(xué)、上海AI實(shí)驗(yàn)室及南洋理工大學(xué)的研究人員共同推出的漫畫生成框架，能生成可控的黑白漫畫面板。DiffSensei整合基于擴(kuò)散的圖像生成器和多模態(tài)大型語(yǔ)言模型（MLLM），實(shí)現(xiàn)對(duì)漫畫中多角色外觀和互動(dòng)的精確控制。
詳細(xì)介紹：

DiffSensei是什么

DiffSensei是北京大學(xué)、上海AI實(shí)驗(yàn)室及南洋理工大學(xué)的研究人員共同推出的漫畫生成框架，能生成可控的黑白漫畫面板。DiffSensei整合基于擴(kuò)散的圖像生成器和多模態(tài)大型語(yǔ)言模型（MLLM），實(shí)現(xiàn)對(duì)漫畫中多角色外觀和互動(dòng)的精確控制?？蚣苡醚诖a交叉注意力機(jī)制和MLLM適配器，根據(jù)文本提示動(dòng)態(tài)調(diào)整角色特征，包括表情、姿勢(shì)和動(dòng)作，生成具有連貫性和視覺(jué)吸引力的漫畫面板。DiffSensei引入MangaZero數(shù)據(jù)集，支持多角色、多狀態(tài)的漫畫生成任務(wù)。

DiffSensei的主要功能

• 定制化漫畫生成：根據(jù)用戶提供的角像和文本提示生成漫畫，支持用戶對(duì)角色的外觀、表情、動(dòng)作進(jìn)行定制。
• 多角色控制：框架支持多角色場(chǎng)景的漫畫生成，處理角色間的互動(dòng)和布局。
• 文本兼容的身份適配：基于MLLM，根據(jù)文本提示動(dòng)態(tài)調(diào)整角色特征，讓角色的表現(xiàn)與文本描述相匹配。
• 精確布局控制：用掩碼交叉注意力機(jī)制，精確控制角色和對(duì)話的布局，無(wú)需直接像素傳輸。
• 數(shù)據(jù)集支持：引入MangaZero數(shù)據(jù)集，一個(gè)大規(guī)模的、為多角色、多狀態(tài)漫畫生成任務(wù)設(shè)計(jì)的標(biāo)注數(shù)據(jù)集。

DiffSensei的技術(shù)原理

• 整合MLLM和擴(kuò)散模型：結(jié)合MLLM作為文本兼容的身份適配器和基于擴(kuò)散的圖像生成器，生成定制化的漫畫面板。
• 掩碼交叉注意力（Masked Cross-Attention）：復(fù)制關(guān)鍵和值矩陣，在每個(gè)交叉注意力層中創(chuàng)建的角色交叉注意力層，實(shí)現(xiàn)角色布局的精確控制。
• 對(duì)話布局編碼（Dialog Layout Encoding）：引入可訓(xùn)練的嵌入層表示對(duì)話布局，將對(duì)話嵌入與噪聲潛在表示相結(jié)合，實(shí)現(xiàn)對(duì)話位置的編碼。
• MLLM作為特征適配器：MLLM接收源角色特征和面板標(biāo)題作為輸入，生成與文本兼容的目標(biāo)角色特征，動(dòng)態(tài)調(diào)整角色狀態(tài)。
• 多角色特征提取：用CLIP和圖像編碼器提取局部圖像特征和圖像級(jí)特征，基于特征提取器處理，避免直接從參考圖像編碼細(xì)粒度空間特征。
• 擴(kuò)散損失和語(yǔ)言模型損失：在訓(xùn)練MLLM時(shí)，計(jì)算語(yǔ)言模型損失（LM Loss）約束輸出格式，均方誤差損失（MSE Loss）指導(dǎo)基于面板標(biāo)題的目標(biāo)角色特征，計(jì)算擴(kuò)散損失確保編輯后的特征與圖像生成器保持一致。

DiffSensei的項(xiàng)目地址

• 項(xiàng)目官網(wǎng)：jianzongwu.github.io/projects/diffsensei
• GitHub倉(cāng)庫(kù)：https://github.com/jianzongwu/DiffSensei
• arXiv技術(shù)論文：https://arxiv.org/pdf/2412.07589

DiffSensei的應(yīng)用場(chǎng)景

• 漫畫創(chuàng)作：藝術(shù)家和漫畫家生成漫畫頁(yè)面，快速實(shí)現(xiàn)從腳本到視覺(jué)敘事的轉(zhuǎn)換，提高創(chuàng)作效率。
• 個(gè)性化內(nèi)容生成：用戶根據(jù)自己的故事想法，上傳角片，生成個(gè)性化的漫畫內(nèi)容，用在個(gè)人娛樂(lè)或社交媒體分享。
• 教育和培訓(xùn)：在教育領(lǐng)域，創(chuàng)建與教學(xué)內(nèi)容相匹配的視覺(jué)故事，幫助學(xué)生更好地理解和記憶復(fù)雜的概念。
• 電影和游戲預(yù)制：在電影制作和游戲設(shè)計(jì)中，作為預(yù)制工具，快速生成故事板或概念藝術(shù)，便于前期創(chuàng)意和視覺(jué)開(kāi)發(fā)。
• 廣告和營(yíng)銷：營(yíng)銷人員創(chuàng)建吸引人的漫畫廣告，用新穎的方式吸引目標(biāo)受眾。