香港中文大学团队让AI成为卡通制作神器：一张图加几笔线稿就能生成完整动画片

这项由香港中文大学、腾讯PCG ARC实验室和北京大学联合开展的突破性研究发表于2025年8月，论文题为"ToonComposer: Streamlining Cartoon Production with Generative Post-Keyframing"。有兴趣深入了解技术细节的读者可以通过arXiv:2508.10881v1访问完整论文。研究团队由香港中文大学的李令根、窦琦、顾进伟、薛天凡教授，腾讯的王光志、张照阳、李耀威、李小宇、单颖，以及北京大学的研究人员共同完成。

在动画制作的世界里，创作一部精美的卡通作品就像烹饪一道复杂的大餐。传统的动画制作流程需要经历三个关键步骤：首先是关键帧制作（就像准备主要食材），然后是中间帧绘制（相当于处理配菜），最后是上色渲染（好比最终的摆盘装饰）。这整个过程不仅需要大量的人工劳动，更是一项极其耗时耗力的工作。一部几分钟的动画短片，往往需要数百张精心绘制的画面才能呈现出流畅的动作效果。

现在，这个由香港中文大学领衔的国际研究团队带来了一个革命性的解决方案——ToonComposer。这个系统就像是为动画师们配备了一位极其聪明的助手，能够仅仅根据一张彩色的参考图片和几张简单的线稿草图，就自动生成出完整的高质量动画视频。这种创新不仅大幅度减少了动画师的工作量，更重要的是保持了作品的艺术质量和风格一致性。

过去，人工智能在动画制作中的应用往往局限于单一环节。比如有些AI工具专门负责生成中间帧，有些则专注于图片上色。但这种分阶段处理的方式就像接力赛一样，前一环节的任何小错误都会传递到下一环节，最终影响整体效果。ToonComposer的突破在于它将这些分散的步骤整合成了一个统一的"后关键帧制作"阶段，就像用一台全自动的烹饪机器代替了原本需要多个厨师分工合作的复杂流程。

研究团队在技术实现上也有着独特的创新。他们采用了最先进的Diffusion Transformer（DiT）架构作为基础，这种模型原本在自然视频生成方面表现出色。但要让它适应卡通风格的创作，就像让一位擅长拍摄纪录片的摄影师转而创作动画电影一样，需要特殊的调整和训练。为此，研究团队开发了一种名为"空间低秩适配器"（SLRA）的技术，它能够让AI模型在保持原有时间动态理解能力的同时，学会卡通风格的视觉表现。

更令人兴奋的是，ToonComposer还具备了灵活的控制能力。动画师可以根据需要提供不同数量的控制线稿——可以是单张，也可以是多张，甚至可以在线稿中留出空白区域，让AI根据上下文自动填补合适的内容。这种设计就像给艺术家提供了一支智能画笔，既能精确控制关键细节，又能在需要时发挥AI的创造力。

为了验证ToonComposer的实用性，研究团队不仅构建了包含37000个高质量动画片段的训练数据集PKData，还创建了一个特殊的测试基准PKBench。这个基准包含了30个由专业艺术家手绘的真实场景，确保了评测结果的可靠性和实用性。实验结果显示，ToonComposer在视觉质量、动作连贯性和制作效率方面都明显超越了现有的其他AI动画工具。

在人类评估测试中，47名参与者被要求从美学质量和动作质量两个维度对不同方法生成的动画进行评价。结果显示，ToonComposer获得了压倒性的支持，在美学质量方面获得了70.99%的支持率，在动作质量方面获得了68.58%的支持率，远超其他竞争方法。

这项研究的意义不仅在于技术突破，更在于它为整个动画制作行业提供了一个全新的工作流程。它让艺术家们能够将更多精力投入到创意构思和关键帧设计这些真正需要人类智慧的环节，而将重复性的中间工作交给AI来完成。这种人机协作的模式既提高了制作效率，又保持了作品的艺术价值，为动画产业的未来发展开辟了新的可能性。

一、稀疏草图注入：让AI读懂艺术家的意图

在传统的动画制作中，艺术家需要绘制大量密集的中间帧才能实现流畅的动画效果，这个过程就像搭建一座桥梁需要无数根支柱一样繁复。而ToonComposer的核心创新之一就是"稀疏草图注入"机制，它能够让AI仅仅根据几张关键的线稿草图就理解整个动画的运动轨迹。

这个机制的工作原理可以用指挥交响乐团来类比。当指挥家只需要在关键节拍上给出手势，优秀的乐团成员就能理解整首曲子的节奏和情感，并在没有具体指示的部分自然地演奏。ToonComposer正是通过这种方式，让AI模型学会了从稀疏的控制点推断出完整的动画序列。

技术上，研究团队设计了一个巧妙的位置编码映射系统。当艺术家提供一张标记为第10帧的草图时，系统会自动将这个时间位置信息嵌入到草图的特征表示中，就像给每张草图贴上了时间标签。然后，系统通过位置感知的残差机制，将这些带有时间信息的草图特征与视频的潜在表示进行融合。

更有趣的是，这个系统支持多张草图的同时输入。艺术家可以提供第1帧、第15帧和第30帧的草图，系统会自动理解这三个时间点之间的运动关系，并生成平滑的过渡动画。这种设计特别适合复杂动作的制作，比如一个角色从站立到跳跃再到落地的完整过程，艺术家只需要画出这三个关键姿态，AI就能补全所有的中间动作。

系统还具备了动态调节控制强度的能力。在推理阶段，用户可以通过调整一个叫做α的参数来控制草图对最终结果的影响力度。当α值较大时，生成的动画会更严格地遵循草图的指导；当α值较小时，AI会有更多的创作自由度。这种设计让艺术家可以根据具体需求在精确控制和创意发挥之间找到最佳平衡点。

研究团队在实验中发现，即使只提供单张草图作为最终帧的控制，ToonComposer也能生成高质量的动画序列。但当提供多张草图时，动画的精确度和表现力会显著提升。这种灵活性让系统既能满足快速原型制作的需求，也能支持精细动画的创作要求。

从实际应用的角度来看，这个稀疏草图注入机制大大降低了动画制作的门槛。传统动画需要艺术家具备丰富的中间帧绘制经验，而现在即使是相对初学者，只要能画出关键的几个姿态，就能借助ToonComposer创作出专业水准的动画作品。

二、卡通域适配：教会AI画出卡通风格

让一个原本擅长生成真实视频的AI模型学会创作卡通动画，就像让一位习惯了油画创作的画家改用水彩作画一样，需要特殊的技巧调整。ToonComposer面临的最大技术挑战之一，就是如何将基于Diffusion Transformer的视频生成模型成功适配到卡通领域，同时保持其出色的时间动态建模能力。

在这个问题上，研究团队遇到了一个有趣的技术难题。传统的视频生成模型通常将空间处理和时间处理分离开来，就像一个乐队中管弦乐部和打击乐部各自独立演奏一样。在这种架构下，研究人员可以只调整处理画面外观的空间部分，而保持处理动作连贯性的时间部分不变。但Diffusion Transformer采用了全注意力机制，这意味着空间和时间信息是紧密交织在一起的，就像交响乐中所有乐器都在同一个和谐体系中演奏。

为了解决这个问题，研究团队创造性地开发了"空间低秩适配器"（SLRA）技术。这个技术的设计理念非常巧妙：它在不破坏模型原有时间理解能力的前提下，专门针对空间特征进行卡通风格的适配训练。

SLRA的工作过程可以用一个精密的过滤器来理解。首先，它将输入的特征表示通过一个降维层压缩，就像把一张高分辨率的图片压缩成缩略图一样，这样可以减少计算复杂度。然后，系统将这些压缩后的特征重新整理成原始的空间-时间排列，但关键的是，它只对每个时间帧内的空间维度进行注意力计算，而完全不涉及不同时间帧之间的交互。

这种设计的精妙之处在于，它让模型能够学习卡通特有的空间特征——比如简化的线条、饱和的色彩、夸张的造型等——而不会干扰到模型对动作流畅性和时间连贯性的理解。就像给一位舞蹈演员换了套服装，虽然外观发生了变化，但舞蹈的节奏和动作的连贯性完全不受影响。

在具体实现上，SLRA使用了类似LoRA（Low-Rank Adaptation）的低秩分解技术，通过两个较小的权重矩阵来近似原本较大的变换矩阵。这种设计不仅降低了计算成本，还提高了训练效率。研究团队将降维后的特征维度设置为144，这个数值是通过大量实验优化得出的最佳平衡点。

为了验证SLRA的有效性，研究团队进行了详细的对比实验。他们测试了几种不同的适配方式：只适配时间维度、同时适配空间和时间维度、完全移除注意力机制的线性适配，以及传统的LoRA方法。结果显示，SLRA在所有评估指标上都取得了最佳性能，特别是在LPIPS和DISTS这两个衡量感知质量的指标上有显著优势。

从视觉效果上看，使用SLRA适配的模型生成的卡通动画在保持流畅动作的同时，呈现出了典型的卡通风格特征。画面色彩饱和度高，线条简洁明快，人物造型具有卡通特有的可爱感和表现力。这种效果在人类评估中得到了充分验证，参与者普遍认为SLRA版本的动画质量最高。

三、区域控制：让AI学会脑补空白区域

在实际的动画制作过程中，艺术家经常会遇到这样的情况：他们希望精确控制画面中某些重要元素的表现，比如主角的动作和表情，但对于背景或次要元素则希望能够节省时间，让AI自动处理。ToonComposer的区域控制功能正是为了满足这种实际需求而设计的创新特性。

这个功能的工作原理就像填空题一样直观。当艺术家在草图中故意留下空白区域时，传统的AI系统往往会将这些空白理解为真正的"无内容"区域，从而在最终动画中生成一片空白或产生不自然的效果。但ToonComposer配备了智能的"脑补"能力，它能够根据周围的上下文信息和文本描述，自动推断出这些空白区域应该呈现什么内容。

在技术实现上，研究团队采用了一种叫做掩码训练的方法。在模型训练过程中，系统会随机遮挡草图中的某些区域，然后学习如何根据剩余的可见部分和文本提示来重建完整的画面。这个过程就像训练一个人通过部分线索来推测完整故事的能力一样。

为了让系统能够区分哪些空白是故意留下需要填补的，哪些空白是真正的无内容区域，研究团队在输入中增加了一个特殊的掩码通道。这个掩码就像一张透明的模板，上面标记着"这里需要AI发挥创意"和"这里保持原样"的不同区域。系统通过学习大量这样的掩码-草图-完整动画的对应关系，逐渐掌握了在不同情况下进行合理补全的能力。

在实际应用中，这个功能展现出了令人印象深刻的效果。比如在一个火车站的场景中，艺术家可能只画出了站台上行走的人物，而将火车部分留空。传统方法会在火车位置生成一片平坦的蓝色区域，看起来非常不自然。但ToonComposer通过理解"火车站"、"地铁列车"等文本描述，能够自动生成一辆带有红色车门和灰色车身的地铁列车，并且让它呈现出合理的运动效果。

更进一步，系统还能处理复杂的运动推理。当艺术家在多帧草图中都留下相同的空白区域时，ToonComposer不仅要推断出该区域的内容，还要确保这些内容在时间上保持连贯性。例如，一辆从左到右穿过画面的火车，AI需要确保它在每一帧中的位置、速度和外观都符合物理规律和视觉逻辑。

这种区域控制能力的引入，显著提升了ToonComposer的实用性和灵活性。它让艺术家能够将有限的时间和精力集中在最重要的创意元素上，而将繁琐的背景绘制和次要动画交给AI来完成。这种人机协作的方式不仅提高了制作效率，还能激发艺术家的创造力，让他们敢于尝试更复杂和富有想象力的场景设计。

在用户研究中，许多动画师表示这个功能特别适合概念验证和快速原型制作。他们可以快速勾勒出动画的核心创意，然后通过区域控制功能生成完整的预览版本，这对于向客户展示创意构想或进行团队讨论都非常有价值。

四、数据集构建：为AI准备营养丰富的"食材"

要训练出一个出色的卡通动画生成系统，就像培养一位顶尖厨师需要让他品尝各种美食一样，需要为AI提供丰富多样的高质量训练数据。研究团队在这方面投入了巨大的努力，构建了一个名为PKData的大规模卡通数据集，包含了37000个精心筛选的动画片段。

这个数据集的特别之处在于它不仅包含了动画视频本身，还为每个片段配备了多种风格的草图版本。研究团队深知，现实世界中的艺术家们有着不同的绘画风格和工具偏好，有些人喜欢用粗犷的笔触表现力量感，有些人则偏爱精细的线条描绘细节。为了让ToonComposer能够适应这种多样性，他们使用了四种不同的草图生成工具来为每个动画帧创建对应的线稿。

这四种工具各有特色，就像不同品牌的画笔有着各自的特点一样。其中两种是基于ControlNet的基础线稿模型，它们能够生成相对简洁规整的线条；Anime2Sketch专门针对动画风格进行了优化，生成的草图更符合日式动画的美学特点；而Anyline则能够产生更加自由随意的线条效果。

最有趣的是，研究团队还开发了一个名为IC-Sketcher的特殊工具。这个工具基于先进的FLUX图像生成模型，通过在真实艺术家手绘草图上进行特殊训练，学会了模仿人类艺术家的绘画风格。这样生成的草图不仅在技术上准确，更重要的是带有人类艺术家特有的创意感和表现力。

除了草图的多样性，研究团队还为每个视频片段配备了详细的文本描述。这些描述不是简单的关键词堆砌，而是由先进的多模态AI模型CogVLM生成的自然语言叙述，涵盖了场景设置、角色动作、情感氛围等多个维度。这样的设计让ToonComposer不仅能够理解视觉信息，还能结合语言理解来生成更符合预期的动画内容。

为了验证系统的实际应用效果，研究团队还创建了一个特殊的测试基准PKBench。与用算法生成的训练数据不同，这个基准包含了30个完全由专业艺术家手工绘制的真实场景。每个场景都包括一张彩色的参考图片、一段描述性的文本提示，以及两张分别代表起始和结束状态的手绘草图。

这些手绘草图的重要性不言而喻。它们不仅测试了系统对真实艺术家绘画风格的适应能力，更重要的是验证了ToonComposer在实际工作流程中的可用性。毕竟，一个只能处理计算机生成草图的系统，在真实的动画制作环境中价值有限。

PKBench的设计还考虑了动画制作中的实际场景多样性。测试案例涵盖了人物动作、场景变换、特效展示等不同类型的动画需求。有些场景考验系统处理复杂人物动作的能力，比如一个老人转身的完整过程；有些场景则测试环境动画的生成效果，比如火车进站的动态场面；还有一些场景专门验证系统的创意补全能力，比如在部分草图信息缺失的情况下如何合理推断。

在数据质量控制方面，研究团队也采取了严格的标准。所有的动画片段都经过了专业人员的审核，确保画面清晰、动作流畅、风格一致。对于草图生成，团队通过人工抽样检查来确保不同工具生成的线稿都能准确反映原始动画的关键特征。这种严格的质量控制为ToonComposer的优异性能奠定了坚实基础。

五、实验验证：数字说话的成果展示

任何一项技术创新都需要通过严格的实验来证明其价值，ToonComposer也不例外。研究团队设计了一套全面的评估体系，既包含客观的数量化指标，也包含主观的人类评价，确保从多个角度验证系统的性能表现。

在合成基准测试中，研究团队将ToonComposer与三个具有代表性的现有方法进行了对比：AniDoc、LVCD和ToonCrafter。这些方法各有特点，AniDoc专注于动画文档的自动化处理，LVCD主要解决线稿视频的着色问题，而ToonCrafter则专门处理卡通风格的插值生成。通过与这些方法的对比，能够全面评估ToonComposer在不同方面的优势。

在客观指标方面，研究团队采用了多个广泛认可的评估标准。LPIPS和DISTS主要衡量生成图像的感知质量，这两个指标越低说明生成的图像与真实图像在人类感知上越相似。CLIP相似度则评估生成内容与参考内容在语义层面的匹配程度。此外，团队还使用了VBench评估框架中的多个指标，包括主体一致性、动作连贯性、背景一致性和美学质量。

实验结果令人印象深刻。在LPIPS指标上，ToonComposer获得了0.1785的成绩，远低于其他方法的0.37-0.39分数范围，这意味着其生成的图像在感知质量上有显著优势。在DISTS指标上，ToonComposer的0.0926分数同样大幅领先于竞争对手的0.55左右水平。这些数字清楚地表明，ToonComposer在图像质量方面确实实现了突破性的提升。

更有说服力的是在CLIP相似度测试中的表现。ToonComposer获得了0.9449的高分，而其他方法的分数都在0.84-0.87之间。这个结果说明ToonComposer生成的动画内容与输入条件的语义匹配度更高，也就是说它更能准确理解和执行艺术家的创作意图。

在动态性能方面，ToonComposer在动作流畅性上获得了0.9886的优秀评分，在主体一致性上达到0.9451分，在背景一致性上取得0.9547分。这些指标的高分表明，系统生成的动画不仅画面质量出色，在运动连贯性和视觉一致性方面也表现优异。

真实场景测试的结果同样令人鼓舞。在PKBench基准上，ToonComposer在所有评估维度都取得了最佳成绩。主体一致性达到0.9509分，动作流畅性获得0.9910分，背景一致性为0.9681分，美学质量评分为0.7345分。这些成绩不仅在数值上领先，更重要的是验证了系统在处理真实艺术家作品时的可靠性。

人类评估测试提供了最直观的用户体验反馈。研究团队邀请了47名参与者，要求他们从美学质量和动作质量两个维度对不同方法生成的动画进行评价。结果显示，ToonComposer获得了压倒性的支持，美学质量支持率达到70.99%，动作质量支持率为68.58%，远远超过其他方法的支持率。

特别值得注意的是，在真实手绘草图的处理上，ToonComposer展现出了明显的优势。其他方法在面对人类艺术家的手绘线稿时往往出现适应性问题，比如对粗糙线条的过度敏感或对艺术家个人风格的误解。而ToonComposer由于在训练时接触了多样化的草图风格，因此能够更好地理解和处理各种类型的手绘输入。

这些实验结果不仅证明了ToonComposer在技术性能上的优势，更重要的是验证了其在实际应用中的可行性和实用价值。无论是从客观的数值指标还是主观的用户体验来看，ToonComposer都展现出了显著超越现有方法的综合实力。

六、深入分析：技术细节的精妙之处

为了更好地理解ToonComposer的技术优势，研究团队进行了一系列深入的分析实验，这些分析就像解剖一台精密仪器一样，揭示了系统各个组成部分的具体贡献和相互作用。

空间低秩适配器（SLRA）的消融研究特别有启发性。研究团队测试了几种不同的适配策略：只适配时间维度的方法、同时适配空间和时间的方法、完全移除注意力机制的线性适配方法，以及传统的LoRA方法。通过这些对比实验，他们发现SLRA的设计确实是最优选择。

具体而言，只适配时间维度的方法在LPIPS指标上获得了0.1956分，虽然比原始方法有所改善，但仍然明显逊色于SLRA的0.1874分。同时适配空间和时间的方法得分为0.1977，看似接近，但在细节表现上存在时间连贯性的问题。传统LoRA方法虽然在CLIP相似度上表现不错（0.9628分），但在感知质量指标上不如SLRA优秀。

这些数字背后的含义很有趣。时间维度适配的不足说明单纯调整动态特征无法很好地适应卡通风格的视觉特点；而空间-时间同时适配的问题在于它破坏了原始模型在时间建模方面的优势。SLRA通过专注于空间适配而保持时间建模不变的策略，实现了最佳的平衡效果。

在区域控制功能的验证中，研究团队展示了一个特别生动的例子。在一个火车站场景中，当艺术家在草图中将火车部分留空时，没有区域控制的系统会生成一片平坦的蓝色区域，看起来就像火车消失了一样。而启用区域控制的ToonComposer能够根据"地铁列车"、"红色车门"等文本描述，自动生成符合场景逻辑的火车图像，并让其呈现自然的运动效果。

控制能力的灵活性测试也展现了有趣的结果。当研究团队提供不同数量的控制草图时，系统表现出了良好的适应性。使用单张草图作为终点控制时，系统能够生成从起始帧到目标状态的直接过渡动画。但当增加中间控制点时，动画的表现力和准确性都会显著提升。例如，在"老人转身"的场景中，仅使用最后一帧的草图会生成直接转身的动画，而添加中间帧的"捡水果"动作草图后，就能生成"捡水果然后转身"的更复杂动画序列。

在处理不同草图风格的鲁棒性测试中，ToonComposer展现了出色的泛化能力。无论输入的是计算机生成的规整线条，还是艺术家手绘的粗糙草图，系统都能产生高质量的输出。这种鲁棒性主要归功于训练阶段的多样化草图数据，让模型学会了处理各种不同风格和质量的输入。

特别值得一提的是系统在3D动画领域的扩展能力。虽然ToonComposer主要针对2D卡通动画设计，但研究团队发现，通过在少量3D渲染动画数据上进行微调，系统同样能够处理3D风格的动画生成。这种跨域适应能力说明了ToonComposer架构的通用性和可扩展性。

在计算效率方面，SLRA的低秩设计带来了实际的性能优势。相比于全参数微调，SLRA只需要调整很少的参数就能实现有效的域适配，这不仅降低了训练成本，也使得模型更容易部署和使用。研究团队将SLRA的rank设置为144，这个数值是通过实验优化得出的最佳权衡点，既保证了适配效果，又控制了计算复杂度。

这些深入分析不仅验证了ToonComposer各个技术组件的有效性，更重要的是为未来的改进和扩展提供了清晰的方向。每一个设计选择都有其科学依据，每一个技术创新都经过了严格的验证。

说到底，ToonComposer代表了AI辅助动画制作领域的一次重要突破。它不仅仅是一个技术工具，更是对传统动画制作流程的重新思考和革新。通过将繁复的中间帧绘制和着色工作自动化，它让艺术家们能够将更多精力投入到真正需要创意和灵感的核心环节。

从技术角度来看，ToonComposer成功解决了几个关键挑战：如何让AI理解稀疏的控制信息，如何在保持时间连贯性的同时适配卡通风格，以及如何处理真实世界中多样化的艺术表现形式。这些突破不仅推进了学术研究的边界，也为实际的工业应用铺平了道路。

更重要的是，这项研究展现了人机协作的巨大潜力。ToonComposer并不是要取代艺术家，而是成为他们的得力助手，让创作过程变得更高效、更有趣。艺术家们可以专注于故事构思、角色设计和关键动作的创作，而将重复性的技术工作交给AI来完成。这种分工让创意和技术都能发挥各自的最大价值。

从产业发展的角度来看，ToonComposer的出现可能会显著降低动画制作的成本和门槛。小规模的创作团队甚至个人创作者都有可能制作出专业水准的动画作品，这将为动画产业带来更多的创新活力和多元化内容。

当然，这项技术也面临着一些挑战和局限。比如在处理极其复杂的动作序列时，可能仍需要更多的人工干预；在风格化程度很高的艺术作品上，可能需要额外的训练和调优。但这些都是技术发展过程中的正常现象，随着研究的深入和数据的积累，这些问题都有望得到解决。

展望未来，ToonComposer所代表的AI辅助创作技术还有广阔的发展空间。它不仅可以应用于传统的2D动画制作，还可能扩展到3D动画、游戏开发、虚拟现实内容创作等多个领域。随着技术的不断成熟和应用的逐步普及，我们有理由相信，AI将成为创意产业中不可或缺的重要工具，帮助更多的创作者实现他们的艺术愿景。

这项由香港中文大学领衔的研究，无疑为动画制作领域打开了一扇新的大门。它让我们看到了技术进步如何能够真正服务于艺术创作，如何能够让复杂的专业工作变得更加亲民和高效。对于每一个对动画创作感兴趣的人来说，ToonComposer都代表着一个充满可能性的未来。

Q&A

Q1：ToonComposer是什么？它能做什么？

A：ToonComposer是由香港中文大学、腾讯和北京大学联合开发的AI动画制作系统。它的核心能力是仅通过一张彩色参考图片和几张简单的线稿草图，就能自动生成完整的高质量卡通动画视频。这个系统将传统动画制作中的中间帧绘制和上色两个步骤合并成一个自动化过程，大大提高了制作效率。

Q2：ToonComposer会不会取代动画师？

A：不会完全取代，但会大大改变动画制作方式。ToonComposer的设计理念是成为艺术家的得力助手，而不是替代品。它主要负责繁重的中间帧绘制和着色工作，让艺术家能够将更多精力投入到创意构思、关键帧设计等真正需要人类智慧的环节。这种人机协作模式既提高了效率，又保持了艺术价值。

Q3：普通人能使用ToonComposer吗？有什么要求？

A：目前ToonComposer还处于研究阶段，尚未有面向普通用户的商业化产品。根据论文描述，用户需要准备一张彩色的参考图片、几张手绘或数字绘制的线稿草图，以及一段描述动画内容的文本提示。系统对草图质量要求不高，即使是相对简单的手绘线稿也能处理。感兴趣的研究者可以通过arXiv:2508.10881v1获取技术详情。