新标题：TextDiffuser：无惧图像中的文字，提供更高质量的文本渲染

在过去几年中，Text-to-Image 领域取得了巨大的进展，特别是在人工智能生成内容（AIGC）的时代。随着DALL-E模型的兴起，学术界涌现出越来越多的Text-to-Image模型，比如Imagen、Stable Diffusion、ControlNet等模型。然而，尽管Text-to-Image领域发展迅速，现有模型在稳定地生成包含文本的图像方面仍然面临一些挑战

尝试过现有 sota 文生图模型可以发现，模型生成的文字部分基本上是不可读的，类似于乱码，这非常影响图像的整体美观度。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

现有的sota文本生成模型生成的文本信息可读性较差

经过调研，学术界在这方面的研究较少。事实上，包含文本的图像在日常生活中十分常见，例如海报、书籍封面和路牌等。如果 AI 能够有效地生成这类图像，将有助于辅助设计师的工作，激发设计灵感，减轻设计负担。除此之外，用户可能只希望修改文生图模型结果的文字部分，保留其他非文本区域的结果。

为了不改变原始意思，需要将内容改写成中文。不需要出现原句

• 论文地址：https://arxiv.org/abs/2305.10855
• 项目地址：https://jingyechen.github.io/textdiffuser/
• 代码地址：https://github.com/microsoft/unilm/tree/master/textdiffuser
• Demo地址：https://huggingface.co/spaces/microsoft/TextDiffuser

TextDiffuser 的三个功能

本文提出了 TextDiffuser 模型，该模型包含两个阶段，第一阶段生成 Layout，第二阶段生成图像。

需要重新编写的是：TextDiffuser框架图

模型接受一段文本 Prompt，然后根据 Prompt 中的关键词确定每个关键词的 Layout（也就是坐标框）。研究者采用了 Layout Transformer，使用编码器-解码器的形式自回归地输出关键词的坐标框，并用 Python 的 PILLOW 库渲染出文本。在这个过程中，还可以利用 Pillow 现成的 API 得到每个字符的坐标框，相当于得到了字符级别的 Box-level segmentation mask。基于此信息，研究者尝试微调 Stable Diffusion。

他们考虑了两种情况，一种是用户想直接生成整张图片（称为 Whole-Image Generation）。另一种情况是 Part-Image Generation，在论文中也称之为 Text-inpainting，指的是用户给定一张图像，需要修改图里的某些文本区域。

为了实现上述两个目标，研究人员重新设计了输入特征，将维度从原来的4维增加到了17维。其中包括4维加噪图像特征、8维字符信息、1维图像掩码以及4维未被掩码的图像特征。如果是整体图像生成，研究人员将掩码区域设为整个图像；反之，如果是部分图像生成，只需对图像的一部分进行掩码。扩散模型的训练过程类似于LDM，对此感兴趣的同伴可以参考原文中的方法部分描述

在推理阶段，TextDiffuser具有非常灵活的使用方式，可以分为三种：

• 根据用户给定的指令生成图像。并且，如果用户不大满意第一步 Layout Generation 生成的布局，用户可以更改坐标也可以更改文本的内容，这增加了模型的可控性。
• 直接从第二个阶段开始。根据模板图像生成最终结果，其中模板图像可以是印刷文本图像，手写文本图像，场景文本图像。研究者专门训练了一个字符集分割网络用于从模板图像中提取 Layout。
• 同样也是从第二个阶段开始，用户给定图像并指定需要修改的区域与文本内容。并且，这个操作可以多次进行，直到用户对生成的结果感到满意为止。

构造的 MARIO 数据

为了训练TextDiffuser，研究人员收集了一千万张文本图像，如上图所示，包括三个子集：MARIO-LAION，MARIO-TMDB和MARIO-OpenLibrary

研究者在筛选数据时考虑了若干方面：例如在图像经过 OCR 后，只保留文本数量为 [1,8] 的图像。他们筛掉了文本数量超过 8 的文本，因为这些文本往往包含大量密集文本，OCR 的结果一般不太准确，例如报纸或者复杂的设计图纸。除此之外，他们设置文本的区域大于 10%，设置这个规则是为了让文本区域在图像的比重不要太小。

在对 MARIO-10M 数据集进行训练后，研究人员对 TextDiffuser 进行了定量和定性的比较，与现有方法进行了对比。例如，在整体图像生成任务中，本文方法生成的图像具有更清晰可读的文本，并且文本区域与背景区域的融合更好，如下图所示

与现有工作比较文本渲染性能

研究人员还进行了一系列定性实验，结果如表1所示。评估指标包括FID、CLIPScore和OCR。特别是OCR指标，本研究方法相对于对比方法有显著的提升

重写后的内容：实验结果见表1：定性实验

对于 Part-Image Generation 任务，研究者尝试着在给定的图像上增加或修改字符，实验结果表明 TextDiffuser 生成的结果很自然。

文本修复功能可视化

总的来说，本文提出的 TextDiffuser 模型在文本渲染领域取得了显著的进展，能够生成包含易读文本的高质量图像。未来，研究者将进一步提升 TextDiffuser 的效果。

# AIGC  # 在这个  # 是在  # 取得了  # 的是  # 类似于  # 第二个  # 进行了  # 掩码  # 所示  # 关键词  # prompt  # ai  # microsoft  # https  # ocr  # Imagen  # stable diffusion  # transformer  # 人工智能  # github  # pillow  # Python 

相关栏目： 【 Google疑问12 】 【 Facebook疑问10 】 【 网络优化91478 】 【 技术知识72672 】 【 云计算0 】 【 GEO优化84317 】 【 优选文章0 】 【 营销推广36048 】 【 网络运营41350 】 【 案例网站102563 】 【 AI智能45237 】

相关推荐： 挖掘用户数据：洞察与策略，提升播客全球影响力  AI助手高效获取谷歌评论：提升本地商家曝光率的终极指南  AI驱动合同管理：Microsoft Power Platform实战指南  AI电子书创作革命：AieBookSuite如何颠覆出版行业  Sim.AI教程：构建智能客户支持助手  百度输入法怎么去除ai模块 百度输入法纯净版安装教程  LTX Studio：AI电影制作平台深度评测与应用指南  Canva AI终极指南：免费AI聊天机器人，设计、视频、网站全搞定！  通义千问怎样写文案_通义千问文案写作教程【指南】  生物医学图像分割：U-Net模型训练与应用详解  n8n：零代码AI自动化平台的终极指南和免费VPS设置  AI症状自检：最佳AI症状检查器，告别网络庸医！  LeetCode算法：最长公共前缀问题全面解析  如何通过 DeepSeek 进行深度神经网络超参数搜索  CareerCraft AI：提升大学生实习就业的智能平台  Postman Flows：构建智能AI驱动型工作流完全指南  CodeRabbit CLI: AI 代码审查工具，提升编码效率与代码质量  专家：26年1月中国车市将实现“开门红” 高端增长强劲  如何用AI帮你设计调查问卷？科学提问，精准收集反馈  Napkin AI：AI驱动的文本可视化工具，轻松创建思维导图  ChatGPT怎样用提示词分步骤提问_ChatGPT分步提问技巧【方法】  2025年生成式AI发展蓝图：娱乐、医疗及创意产业的革新  AI 编码助手：提升效率的 5 大工具及应用详解  tofai官方网站入口 tofai在线网页版登录  Gemini 辅助进行多平台社交媒体内容调度  ChatGPT 处理非结构化数据并转换为 JSON 格式  豆包AI怎样生成PPT目录页_豆包AI目录自动生成与页码添加【指南】  韵律分析：为什么理解音乐歌词的韵式至关重要？  Tune AI: 革新音乐创作，AI音乐平台深度测评  百度网页版ai助手怎么关 百度网页ai对话框屏蔽  如何使用 DeepSeek API 构建低成本智能应用  VideoGen教程：AI视频生成器，无需拍摄快速制作视频  AI电商网站搭建：CSV到WooCommerce全流程指南  DeepSeek AI：AI通用谜题解题器，解题思路全解析  Gemini怎样用语音输入_Gemini语音输入设置【方法】  利用AI模板高效创建产品需求文档 (PRD)  飞猪旅行AI如何预约抢票_飞猪AI抢票预约与加速包使用【攻略】  掌握解方程技巧：4.2家庭作业难题精讲与分数系数处理  网络安全警钟：揭秘“美足”背后隐藏的危机与防范  怎么使用网页版deepseek【教程】  今日头条AI怎样推荐抢票工具_今日头条AI抢票工具推荐算法与筛选【技巧】  Feelin网页版在线使用 Feelin官网登录入口  11月电动两轮车线上销售排名出炉：九号份额达26.9%  去哪旅行ai抢票助手怎样提升抢票速度_去哪旅行ai抢票助手加速包与多通道使用【技巧】  智谱AI绘画怎么用_智谱AI绘画使用方法详细指南【教程】  AI如何变革法律行政助理角色？未来发展趋势分析  Dr.Job AI：职场简历优化终极指南，提升求职成功率  百度ai助手通知栏怎么关 百度ai助手通知消息屏蔽  律师视角下的生成式AI：信息爆炸时代的法律实践与未来展望  Fiverr网站审计终极指南：免费工具、SEO技巧和实战案例 

 2023-09-26