论文页面 - MOSS-Image 技术报告

来源：https://huggingface.co/papers/2610.23374

发布于 10 月 16 日

·

由 https://huggingface.co/Phospheneser 提交

Xu Zhe (https://huggingface.co/Phospheneser) 于 10 月 19 日发布

摘要

MOSS-Image 是一个开放的扩散 Transformer 模型，结合了高保真图像合成与意图感知的提示增强技术，能够生成富含文字且布局连贯的图像，在长文本和布局基准测试上取得了开放权重模型的最先进成果。

近期的闭源图像生成系统能够从简单构图到信息密集的图形产生多样化的视觉内容，而开放权重的文本到图像模型在密集文字和复杂布局方面仍然表现不佳。为缩小这一差距，我们提出了 MOSS-Image，一个将高保真视觉合成与意图感知构图相结合的开放生成系统。首先，我们使用精心设计的方案从头预训练了一个 5B 参数的单流扩散 Transformer（DiT），实现了双语长文本渲染和精确的布局控制。其次，我们开发了一个意图感知的智能体提示增强（PE）模块，能够将多样的用户请求转化为详细的内容和布局规范。两者结合，使 MOSS-Image 能够生成富含文字且布局连贯的图像。我们进一步引入了 LongLongTextBench（LLTB）用于评估长文本英文和中文渲染能力，以及 RealLayoutArena（RLA）用于端到端的富布局生成评估。MOSS-Image 在 LLTB 上取得了开放权重模型中的最先进性能，平均文本覆盖率达到 96.3%。在 RLA 上，MOSS-Image 在端到端系统对比中排名第二，其骨干模型在使用共享增强提示进行评估的生成器中排名第一。我们将开源模型、训练方案和评估框架，以支持进一步的研究并推动文本到图像社区的发展。

查看 arXiv 页面 (https://arxiv.org/abs/2610.23374)　查看 PDF (https://arxiv.org/pdf/2610.23374)　项目主页 (https://openmoss.ai/MOSS-Image/)　GitHub 741 (https://github.com/OpenMOSS/MOSS-Image)　添加到合集 (https://huggingface.co/login?next=%2Fpapers%2F2610.23374)

在你的 agent 中获取此论文：

hf papers read 2610.23374

还没有最新版 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型 2

OpenMOSS-Team/MOSS-Image-SFT 文本到图像 • 5B • 更新于约 3 小时前 • 2.09k • 364 (https://huggingface.co/OpenMOSS-Team/MOSS-Image-SFT)

OpenMOSS-Team/MOSS-Image-Base 文本到图像 • 5B • 更新于约 3 小时前 • 1.79k • 318 (https://huggingface.co/OpenMOSS-Team/MOSS-Image-Base)

引用此论文的数据集 0

暂无关联此论文的数据集。

在数据集的 README.md 中引用 arxiv.org/abs/2610.23374 即可从本页面关联。

引用此论文的 Space 21

浏览 21 个引用此论文的 Space (https://huggingface.co/spaces?arxivIds=2610.23374)

包含此论文的合集 0

暂无包含此论文的合集。

将此论文添加到合集 (https://huggingface.co/new-collection) 即可从本页面关联。