arXiv cs.AI· Mehrajul Abadin Miraj, Md. Mahmudul Hasan, Meherun Farzana, Aniket Joarder, Mahmudul Hasan, Abir Chakraborty Partha, Md. Ahasanul Alam, Redwan Ahmed Rizvee, Md. Fahim Arefin, Md Mahmudur Rahman, Md. Tanvir Alam, Md Mosaddek Khan·· 3 天前AI 评分26
ELECT：在渲染前确定身份，实现可扩展的故事可视化
ELECT: Settling Identity Before Rendering for Scalable Story Visualization
AI 导读
ELECT 提出一种免训练故事可视化方法，通过语言引导的场景-实体映射和从模型自身草稿中选出的固定锚点，在最终渲染前确定跨帧身份，使最终渲染的每帧成本与故事长度无关。
正文 · AI 翻译
作者：Mehrajul Abadin Miraj、Md. Mahmudul Hasan、Meherun Farzana、Aniket Joarder、Mahmudul Hasan、Abir Chakraborty Partha、Md. Ahasanul Alam、Redwan Ahmed Rizvee、Md. Fahim Arefin、Md Mahmudur Rahman、Md. Tanvir Alam、Md Mosaddek Khan
摘要：无需参考图像、无需训练的故事可视化必须在跨帧中保持反复出现的实体一致，同时还要能扩展到长叙事。现有方法通常通过让每一帧以同一故事的其他帧为条件来保持一致性，从而使生成时间、显存占用或两者都与故事长度耦合。我们提出 ELECT，它改为在最终渲染之前，通过语言引导的场景-实体映射以及从模型自身草稿中选出的固定锚点，来确定跨帧身份。这使得最终渲染阶段每帧的成本与故事长度无关。在 32 个场景下，联合注意力需要超过 96 GB 的显存，而 ELECT 从 10 到 1000 个场景都保持在每帧 8.3 秒、显存低于 20 GB。在 Story50 长故事基准上，ELECT 达到 0.833 的平均角色一致性相似度（aCCS），而十轮精修为 0.826，生成成本仅为其七分之一，但文本对齐较低（0.327 对 0.340）。在 1000 个场景下——据我们所知，这是首次对如此长度的免训练故事可视化进行评估——ELECT 比十轮精修高出 0.017 aCCS，比最接近的固定成本基线高出 0.091，同时在文本对齐上也超过精修，而生成时间仅为其二十四分之一。这些结果表明，长时程一致性并不需要随着故事增长而采用越来越昂贵的帧间条件化。
| 学科： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用格式： | arXiv:2610.15555 [cs.CV] |
| （或本版本的 arXiv:2610.15555v1 [cs.CV]） | |
| https://doi.org/10.48550/arXiv.2610.15555 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Mehrajul Miraj Miraj [查看邮箱]
[v1]
2026年10月11日星期日 11:57:18 UTC（7,659 KB）
来源：arXiv cs.AI · arxiv.org