本研究提出了一种名为VisAgent的无训练多代理框架，旨在通过多个代理的协作提升故事场景的可视化效果，从而改善现有故事可视化方法的不足。

本文综述文本到图像生成的多项进展，包括一致性角色生成、多主题组合、模型个性化、对比学习合成、主体驱动生成、故事可视化、结构微调、无文本预训练及单视图三维生成，并强调交互式细粒度定位控制。