Rapporto tecnico su MOSS-Image

Abstract degli autori

I recenti sistemi di generazione di immagini closed source possono produrre contenuti visivi molto diversi, dalle composizioni semplici alle grafiche dense di informazioni. I modelli text-to-image a pesi aperti, però, faticano ancora a gestire testi fitti e layout complessi. Per ridurre questo divario, presentiamo MOSS-Image, un sistema di generazione aperto che combina una sintesi visiva ad alta fedeltà con una composizione attenta all’intento dell’utente. Per prima cosa, preaddestriamo da zero un transformer a diffusione (DiT) da 5 miliardi di parametri e a flusso unico, seguendo una procedura accuratamente studiata che consente di riprodurre testi lunghi in due lingue e di controllare con precisione il layout. Sviluppiamo poi un modulo agentico di miglioramento dei prompt (PE), attento all’intento, che traduce richieste diverse degli utenti in specifiche dettagliate per i contenuti e il layout. Insieme, questi due componenti consentono a MOSS-Image di generare immagini ricche di testo e con un layout coerente. Presentiamo inoltre LongLongTextBench (LLTB) per valutare la riproduzione di testi lunghi in inglese e cinese, e RealLayoutArena (RLA) per valutare la generazione end-to-end di immagini con layout complessi. Su LLTB, MOSS-Image ottiene le migliori prestazioni tra i modelli a pesi aperti, con una copertura media del testo del 96,3%. Su RLA, MOSS-Image si colloca al secondo posto nel confronto tra sistemi end-to-end, mentre il suo modello di base è primo tra i generatori valutati usando gli stessi prompt migliorati. Renderemo pubblici il modello, la procedura di addestramento e il framework di valutazione per sostenere ulteriori ricerche e favorire la comunità text-to-image.