BizGen: Progressi nel Rendering Visivo di Testi a Livello di Articolo per la Generazione di Infografiche

BizGen: Advancing Article-level Visual Text Rendering for Infographics Generation

March 26, 2025

Autori: Yuyang Peng, Shishi Xiao, Keming Wu, Qisheng Liao, Bohan Chen, Kevin Lin, Danqing Huang, Ji Li, Yuhui Yuan

cs.AI

Abstract

Recentemente, i modelli all'avanguardia per la generazione di immagini da testo, come Flux e Ideogram 2.0, hanno compiuto progressi significativi nel rendering visivo di testo a livello di frase. In questo articolo, ci concentriamo sugli scenari più complessi del rendering visivo di testo a livello di articolo e affrontiamo un nuovo compito: la generazione di contenuti aziendali di alta qualità, inclusi infografiche e slide, basati su prompt descrittivi a livello di articolo forniti dall'utente e layout ultra-densi. Le sfide fondamentali sono due: contesti significativamente più lunghi e la scarsità di dati di contenuti aziendali di alta qualità. A differenza della maggior parte dei lavori precedenti che si concentrano su un numero limitato di sotto-regioni e prompt a livello di frase, garantire un'aderenza precisa a layout ultra-densi con decine o addirittura centinaia di sotto-regioni nei contenuti aziendali è molto più impegnativo. Facciamo due contributi tecnici chiave: (i) la costruzione di un dataset scalabile e di alta qualità per contenuti aziendali, ovvero Infographics-650K, dotato di layout ultra-densi e prompt implementando uno schema di generazione di infografiche aumentato con il recupero a livelli; e (ii) uno schema di cross attention guidato dal layout, che inietta decine di prompt specifici per regione in un insieme di spazi latenti ritagliati in base ai layout ultra-densi, e perfeziona ogni sotto-regione in modo flessibile durante l'inferenza utilizzando un CFG condizionato dal layout. Dimostriamo i risultati solidi del nostro sistema rispetto ai precedenti sistemi SOTA come Flux e SD3 sul nostro set di prompt BizEval. Inoltre, conduciamo esperimenti di ablazione approfonditi per verificare l'efficacia di ciascun componente. Speriamo che il nostro Infographics-650K e BizEval possano incoraggiare la comunità più ampia a progredire nel campo della generazione di contenuti aziendali.

English

Recently, state-of-the-art text-to-image generation models, such as Flux and Ideogram 2.0, have made significant progress in sentence-level visual text rendering. In this paper, we focus on the more challenging scenarios of article-level visual text rendering and address a novel task of generating high-quality business content, including infographics and slides, based on user provided article-level descriptive prompts and ultra-dense layouts. The fundamental challenges are twofold: significantly longer context lengths and the scarcity of high-quality business content data. In contrast to most previous works that focus on a limited number of sub-regions and sentence-level prompts, ensuring precise adherence to ultra-dense layouts with tens or even hundreds of sub-regions in business content is far more challenging. We make two key technical contributions: (i) the construction of scalable, high-quality business content dataset, i.e., Infographics-650K, equipped with ultra-dense layouts and prompts by implementing a layer-wise retrieval-augmented infographic generation scheme; and (ii) a layout-guided cross attention scheme, which injects tens of region-wise prompts into a set of cropped region latent space according to the ultra-dense layouts, and refine each sub-regions flexibly during inference using a layout conditional CFG. We demonstrate the strong results of our system compared to previous SOTA systems such as Flux and SD3 on our BizEval prompt set. Additionally, we conduct thorough ablation experiments to verify the effectiveness of each component. We hope our constructed Infographics-650K and BizEval can encourage the broader community to advance the progress of business content generation.