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。
