UCSC-VLAA/story-iter

[ICLR 2026] A Training-free Iterative Framework for Long Story Visualization

What it solves

Story-Iter 解决了在为故事（最多 100 帧）生成长序列图像时，保持语义一致性和高质量交互的难题。传统的文本到图像模型往往难以在多帧中保持角色和场景的一致性，除非进行昂贵的训练或依赖少量固定参考图像。

How it works

它使用一种无需训练的迭代范式，超越了扩散模型的标准去噪步骤。过程分为多轮进行：

  1. Initialization：首先仅根据故事的文本提示生成一组初始图像。
  2. Iteration：在每个后续轮次中，使用前一轮的所有图像作为参考。
  3. Global Reference Cross-Attention (GRCA)：在 Stable Diffusion 中插入即插即用的模块，利用全局嵌入聚合所有参考帧的信息，确保整个序列的视觉上下文得以保持。

Who it’s for

此工具面向创作者和研究者，适用于自动化故事可视化、漫画生成，或需要角色与场景一致性的长篇视觉叙事。

Highlights

  • Training-free：不需要额外的模型训练即可实现一致性。
  • Long-sequence support：支持最多 100 帧的故事可视化。
  • Flexible styles：支持包括漫画、电影、写实等多种输出风格。
  • ControlNet integration：支持 openPose 骨架作为控制信号，以精确调整角色姿势。
  • Fast execution：包含快速版本（通过 LCM），可在约 20 分钟内完成 100 帧故事的 10 次迭代。