我要投稿

腾讯SEED-Story：生成丰富、叙事连贯及风格一致图文故事的大模型

发布日期：2024-07-24 08:29:04 浏览次数： 2305

SEED-Story由MLLM驱动，能够从用户提供的图片和文本作为故事的开始，生成多模态长篇故事，模型、代码与数据都已开源。生成的故事包括丰富且连贯的叙事文本，以及在角色和风格上保持一致的图片。故事可以跨越多达25个多模态序列，尽管在训练期间仅使用最多10个序列。

SEED-Story训练过程包括三个阶段：

在第一阶段，我们预训练一个基于SD-XL的去标记化器，通过接受预训练的ViT的特征作为输入来重建图片。
在第二阶段，我们采样一个随机长度的交错图像-文本序列，并通过对目标图像的ViT特征和可学习查询的输出隐藏状态之间的下一个词预测和图像特征回归来训练MLLM。
在第三阶段，从MLLM回归得到的图像特征被输入到去标记化器中，以调整SD-XL，增强生成图片中角色和风格的一致性。

左侧：在多模态故事生成中预测下一个词时的注意力图可视化。我们观察到重要的注意力集中在整个序列的第一个词（"0"词），标点符号词，与BoI（图像开头）相邻的词和与EoI（图像结尾）相邻的词上。右侧：(a) 密集型注意力图，它保留了KV缓存中的所有词。(b) 窗口型注意力，通过滑动窗口逐出前面的词。(c) 注意力汇聚，它基于窗口型注意力保留了开头的词。(d) 多模态注意力汇聚，它基于窗口型注意力保留了文本词的开头、图像词以及图像词的结尾。这可以有效地使我们的模型泛化到生成比训练序列长度更长的序列。

StoryStream数据集和现有多模态故事生成数据集的样本数据。StoryStream多模态故事序列包括视觉上吸引人的高分辨率图片，以及详细叙述的文本（如下方划线所示），非常接近真实世界的故事书。此外，故事在长度上也更加延伸。

实验证明了SEED-Story模型在多模态故事生成方面的先进性，特别是在生成长篇故事和维持生成内容的一致性与质量方面。

MM-interleaved与SEED-Story多模态故事生成的定量评估。(a)：显示FID得分的直方图。(b, c, d)：使用GPT-4V分别选择MM-interleaved和SEED-Story生成的首选结果。饼图显示了胜率，其中“平局”表示GPT-4V以同等分数评估了它们的成果。

来自SEED-Story的多模态故事生成示例。它展示了从同一初始图像生成的两个叙事分支。顶部分支以引用“戴黄帽子的男人”的文本开始，导致包含该角色的图像生成。底部分支开始时没有提及男人，结果导致故事在排除他的情况下与第一个分支发生分歧。

SEED-Story多模态长篇故事生成结果

使用不同注意力机制生成长故事的可视化。采用其他机制的模型在生成长序列时会崩溃，而我们的模型采用多模态注意力汇聚机制始终如一地生成高质量的图像。

https://github.com/TencentARC/SEED-StorySEED-Story: Multimodal Long Story Generation with Large Language Modelhttps://arxiv.org/pdf/2407.08683

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费场景POC验证，效果验证后签署服务协议。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2025-04-27

大模型赋能CAD图纸智能识别与集成实战指南

2025-04-25

英伟达推出 Describe Anything 3B AI 模型了

2025-04-24

OpenAI 图像生成 API 开放！开发者也能“一键出图”了

2025-04-24

OpenAI终于放出图像生成模型 API ，Midjourney危！

2025-04-24

多模态RAG：解读检索、重排、精炼三大关键技术

2025-04-23

我复刻了一个Manus

2025-04-23

AI合同单据识别-自定义字段信息抽取-小帮手更新

2025-04-22

本地部署大模型实现扫描版 PDF 文件 OCR 识别，笔记本可跑

了解更多

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

GPT-4 和 GPT-4o的主要区别

2024-09-12

ChatGPT记忆功能全解析：实用场景与操作指南

2024-06-14

面壁小钢炮 MiniCPM-V 2.6 部署指南

2024-08-06

Flowise AI 工作流进阶: 常用组件介绍+连 Notion 做知识库

2024-06-17

Qwen2-VL 全链路模型体验、下载、推理、微调实战！

2024-08-30

智谱开源新一代多模态大模型CogVLM2，性能媲美GPT-4V

2024-05-30

周鸿祎发布纳米搜索，做世界第一的AI搜索

2024-11-28

一文了解：最新版本 Llama 3.2

2024-10-07

深度解析Swarm Agent ：OpenAI 开源的多智能体协作框架

2024-10-16

深入解析Llama 3：开发者如何充分利用这一开源大模型

2024-04-21

大家都在问

AI数字人领域重大突破：告别拼凑式合成，阿里OmniTalker能否开启音视频一体化新时代？

2025-04-08

Midjourney V7全面测评：50组多风格提示词实测，是否还有领先优势?

2025-04-05

如何结合多模态RAG和异步调用实现大模型内容理解？

2025-03-30

Chat GPT文生图不用DALL·E模型了？

2025-03-26

如何构建多模态AI知识库？

2025-03-05

我为什么要卸载DeepSeek ？

2025-03-02

千问又放大招！720亿参数的视觉语言模型什么样？

2025-01-08

为什么生成式AI不擅长同时做两件事？

2024-12-13

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS 提示词框架提示词技巧 AI+电商 AI面试数字员工 ChatBI 知识管理开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB