AI 漫画生成框架，能生成可控的黑白漫画面板

产品名称：DiffSensei
产品简介：DiffSensei是北京大学、上海AI实验室及南洋理工大学的研究人员共同推出的漫画生成框架，能生成可控的黑白漫画面板。DiffSensei整合基于扩散的图像生成器和多模态大型语言模型（MLLM），实现对漫画中多角色外观和互动的精确控制。
详细介绍：

DiffSensei是什么

DiffSensei是北京大学、上海AI实验室及南洋理工大学的研究人员共同推出的漫画生成框架，能生成可控的黑白漫画面板。DiffSensei整合基于扩散的图像生成器和多模态大型语言模型（MLLM），实现对漫画中多角色外观和互动的精确控制。框架用掩码交叉注意力机制和MLLM适配器，根据文本提示动态调整角色特征，包括表情、姿势和动作，生成具有连贯性和视觉吸引力的漫画面板。DiffSensei引入MangaZero数据集，支持多角色、多状态的漫画生成任务。

DiffSensei的主要功能

定制化漫画生成：根据用户提供的角色图像和文本提示生成漫画，支持用户对角色的外观、表情、动作进行定制。
多角色控制：框架支持多角色场景的漫画生成，处理角色间的互动和布局。
文本兼容的身份适配：基于MLLM，根据文本提示动态调整角色特征，让角色的表现与文本描述相匹配。
精确布局控制：用掩码交叉注意力机制，精确控制角色和对话的布局，无需直接像素传输。
数据集支持：引入MangaZero数据集，一个大规模的、为多角色、多状态漫画生成任务设计的标注数据集。

DiffSensei的技术原理

整合MLLM和扩散模型：结合MLLM作为文本兼容的身份适配器和基于扩散的图像生成器，生成定制化的漫画面板。
掩码交叉注意力（Masked Cross-Attention）：复制关键和值矩阵，在每个交叉注意力层中创建独立的角色交叉注意力层，实现角色布局的精确控制。
对话布局编码（Dialog Layout Encoding）：引入可训练的嵌入层表示对话布局，将对话嵌入与噪声潜在表示相结合，实现对话位置的编码。
MLLM作为特征适配器：MLLM接收源角色特征和面板标题作为输入，生成与文本兼容的目标角色特征，动态调整角色状态。
多角色特征提取：用CLIP和图像编码器提取局部图像特征和图像级特征，基于特征提取器处理，避免直接从参考图像编码细粒度空间特征。
扩散损失和语言模型损失：在训练MLLM时，计算语言模型损失（LM Loss）约束输出格式，均方误差损失（MSE Loss）指导基于面板标题的目标角色特征，计算扩散损失确保编辑后的特征与图像生成器保持一致。