基于想象的人物中心创意故事生成
本文提出了iNLG,这是一种使用机器生成的图像来指导语言模型进行开放式文本生成的方法。实验和分析证明iNLG在打开式文本生成任务(包括文本完成、故事生成和概念到文本的生成)中的有效性,包括少量数据和全部数据情况。无论是自动计量还是人类评价,都验证了我们iNLG所生成的文本片段的连贯性和信息量,同时也显示出轻微的退化。
Oct, 2022
该研究综述了结构化知识增强故事生成研究领域,总结了现有方法是如何将结构化知识融入到故事生成中的,涉及故事语料库、结构化知识数据集和评价指标,并探讨了知识增强故事生成的挑战和未来研究方向。
Dec, 2022
研究跨语言故事生成中采用规划大语言模型来研究故事生成最佳方案,考虑了四种规划策略并系统分析了不同策略的输出差异,表明以问答对形式制定计划可生成更连贯的故事,同时给故事创作者更多的控制权。
Dec, 2022
我们提出了一个名为SARD的可视化工具,用于利用大型语言模型生成多章节故事,通过对其可用性和创意支持的评估,我们发现节点可视化可能有助于作者建立心理模型,但在故事更加复杂时会导致不必要的认知负荷和注意力分散,还发现无论故事复杂与否,AI生成的故事在词汇多样性方面都较少,这些发现为未来人工智能与人类共同创作工具的发展提供了指导。
Mar, 2024
本研究旨在解决儿童故事讲述中的互动性不足问题,提出一种利用生成人工智能的教育工具。该系统通过叙事共创、文本转语音和文本转视频等技术,提供生动的学习体验。研究发现,这种多模态生成方式显著提高了故事的语言表达质量和视觉呈现的准确性,具有广泛的教育应用潜力。
Sep, 2024
本文提出了一种教育工具,利用生成性人工智能(GenAI)增强儿童故事讲述。通过叙事共同创作、文本转语音和文本转视频等技术的结合,创造出引人入胜的学习体验。研究显示,该系统能有效提升故事生成的语言质量、文本转语音的准确性和生成视觉的相关性。
Sep, 2024
本研究解决了现有视觉叙事中角色缺失或模糊的问题,提出了以角色为中心的故事生成任务。我们首次介绍了一种模型,通过构建新的数据集,使生成的故事中的角色提及更为一致和准确。实验结果表明,该模型在角色重复性和一致性方面优于现有的方法,具有显著影响力。
Sep, 2024
本研究针对漫画创作过程中的创意瓶颈,提出了一种灵感源于理论的视觉叙事生成系统,将漫画创作者的概念原则与生成语言模型相结合,形成协作平台。研究发现,该系统通过机器学习模型的整合,显著提升了生成图像序列的叙事元素,实现人机合作生成漫画内容的创新性进展。
Sep, 2024
本研究解决了利用大型语言模型生成长篇故事时的创造性和表达性不足的问题。提出的“集体批评者创造性故事生成框架”(CritiCS)通过集体修订机制,在故事规划和生成阶段促进了故事的创意和读者的参与感。大量的人类评估表明,该框架显著提升了故事的创造性和叙事连贯性。
Oct, 2024