南大结合LibLibai、中科院从动化所配合提出结构推

　　、中国科学院从动化研究所等多家顶尖机构，配合完成了首个解耦结构推理取多轮可控编纂的图形设想框架研发。PosterCopilot 可以或许实现专业设想级的版式生成、语义分歧的多轮编纂，并具备高度可控的创做能力。受华为-南京大学鲲鹏昇腾科教立异孵化核心支撑，该模子已完成对国产昇腾算力平台的适配取摆设，进一步鞭策了国产 AI 设想手艺的成长取落地。平面设想是视觉传达的基石，但要实现实正的从动化专业设想，目前仍面对庞大挑和。虽然以Stable Diffusion为代表的文生图（T2I）模子正在图像合成上表示强劲，但正在现实的工业设想流中，它们因无法处置分层布局，往往导致用户素材失实且无法进行精细化节制。为领会决这一问题，业界起头测验考试操纵多模态大模子（LMMs）进行结构规划，然而研究团队发觉，现有的 LMMs 方案反而出了四大致命短板：几何结构的「先天缺陷」：现有的多模态结构模子凡是将持续的空间坐标量化为离散的文本 Token。这种将数值视为文本的处置体例，从底子上了欧几里得空间的几何持续性，导致模子难以理解实正在的物理距离取空间关系，生成的结构几次呈现对齐错误取比例失调。视觉反馈的「盲区」：这是现有模子最严沉的缺失之一。却从未「看」到过结构衬着后的现实图像。因为缺乏对衬着成果的视觉反馈（Visual Feedback），模子无人类设想师一样基于审美曲觉和视觉纪律来审视并优化构图，只能处于「盲人摸象」的形态。单一实值的「回归圈套」：海报设想属于高度客不雅的创意范畴，合适人类审美的结构方案往往是多样的、非独一的。然而，保守的监视锻炼模子古板地向单一的Ground Truth回归。这种刻板的锻炼体例不只导致生成的结构多样性，更了模子的摸索潜力，使其错失了出现超越锻炼数据、比原始实值更具美学表示力的立异设想的机遇。图层级编纂的「断层」：专业设想师的工做流素质上是迭代的（Iterative），需要对特定图层进行频频微调。而目前的端到端模子往往是「一锤子买卖」，面临「只改一个图层」的需求时往往一筹莫展——要么无法支撑，要么「牵一发而动」，正在点窜时了用户原有的素材或非编纂区域。现有模子正在处置复杂多素材场景时，常呈现严沉的元素堆叠、文字遮挡以及美学灾难。这反映了现有模子正在细粒度结构推理和美学对齐上的底子不脚。基于完全不异的元素能够有浩繁合适人类审美的结构方案，按照单一实值进行回归的锻炼体例容易模子的创制力。为填补现有单步生成取专业工做流之间的鸿沟，研究团队提出了一套系统性的处理方案 PosterCopilot，并通过渐进式三阶段锻炼策略付与模子设想推理能力。阶段一：扰动监视微调（PSFT）：针对 Token 坐标导致的几何空间扭曲问题，团队提出引入高斯噪声扰动，模子进修坐标的分布而非死记硬散点，修复了优化空间的几何布局。阶段二：视觉-现实对齐强化进修（RL-VRA）：引入基于 DIoU 和元素保实的验证性励信号，特地批改「」导致的堆叠和比例失调。激励模子摸索超出 Ground Truth 但更具视觉冲击力的结构方案。PosterCopilot 不只仅是一个结构生成器，更是一个万能设想帮手。团队设想了一个包含「欢迎模子」和「T2I 模子」的智能体，支撑从灵感应素材的无缝：用户仅需输入笼统的设想构想，内置的欢迎模子（Reception Model）即可充任「创意筹谋」，从动将用户企图拆解为前景从体取布景空气的细致规划。随后，模子会生成精准的工程级提醒词（Prompts），驱动 T2I 模子立即生成气概契合的高质量素材，实现从「笼统灵感」到「具体物料」的从动化落地。通过将具备细密结构推理能力的设想模子取支撑多轮交互的生成式智能体（Generative Agent）深度耦合，团队建立了 PosterCopilot 的完整框架，其从素材规划到最终成稿的推理流水线如下所示：基于 Generative Agent 的强大赋能，PosterCopilot 可以或许完满胜任从「从零建立」到「后期精修」的多种专业场景：全素材海报生成（Generation from Fully-provided Assets）：当用户供给完整素材时，模子专注于「结构推理」，可以或许将多模态元素正在画布长进行合适美学纪律的精准陈列，同时严酷保障用户原有素材零失实、缺素材智能补全（Generation from Insufficient Assets）：针对素材缺失的冷启动场景，智能体可以或许理解设想企图，从动生成气概同一的布景或前景粉饰层，实现从「笼统设法」到「完整海报」的无缝落地。多轮精细化编纂（Multi-round Fine-grained Edit）：打破了保守模子「无法精准局部点窜」的魔咒，支撑多种专业级操做：精准单层编纂：支撑仅点窜特定图层（如改换模特发色、改变物体材质），同时完满「冻结」其他非编纂区域。正在「相机告白」案例中，模子可以或许仅点窜相机镜头的特效（如岩浆、大理石、水晶），而布景文字和排版纹丝不动。全局从题迁徙：可以或许将海报从「棒棒糖促销」无缝切换为「冰淇淋推广」，从动替代从体并调整相关元素，且保留原有排版骨架。智能尺寸沉构（Poster Reframe）：只需更改画布尺寸参数，模子即可按照新的长宽比，智能从头推理结构，实现一键适配分歧版面。为处理数据匮乏问题，团队建立了包含 16 万张专业海报、合计 260 万个图层的高质量数据集。通过 OCR 辅帮的细粒度图层融合手艺，处理了保守数据集中图层过度碎片化（Over-segmentation）的难题，为社区供给了贵重的数据资本。正在涵盖结构合、文本可读性、素材保实度等六大维度的评测中，PosterCopilot 展示了级表示。PosterCopilot 通过解耦「结构推理」取「生成式编纂」，并引入强化进修对齐人类美学，成功让大模子控制了专业设想师的「图层思维」。这不只为智能设想东西树立了新的基准，也为将来 AI 辅帮创意工做流供给了新的范式。