Tag · 9 篇

主体驱动生成

分布图像编辑与可控生成8数据集与评测1

Scone: Bridging Composition and Distinction in Subject-Driven Image Generation via Unified Understanding-Generation Modeling

把理解专家当作语义桥梁，向生成专家传递语义并配合注意力掩码抑制主体间干扰，为多主体个性化生成中「选对主体」的问题提供了可复用的两阶段训练与掩码引导思路。

Proxy-Tuning: Tailoring Multimodal Autoregressive Models for Subject-Driven Image Generation

用扩散模型作为「代理监督」微调多模态自回归模型，使其获得主体驱动生成能力，并揭示弱到强泛化现象；对做个性化生成的人，这是一条绕开扩散架构、把 AR 模型拉进主体定制任务的可行路径，也提示可用强模型监督弱模型来补齐架构短板。

PositionIC: Unified Position and Identity Consistency for Image Customization

用 NeRF 式体素权重调节的可见性感知注意力，把实例级空间嵌入与语义身份特征解耦，可直接迁移到任何需要精确布局控制的多主体生成/编辑框架中；BMPDS 自动数据合成管线也为位置标注数据稀缺问题提供了可复用方案。

OrthoFuse: Training-free Riemannian Fusion of Orthogonal Style-Concept Adapters for Diffusion Models

对做个性化/风格化扩散生成的人，这提供了一条无需再训练就能把主体适配器与风格适配器合并的路径：利用 GS 正交矩阵所在流形的测地线近似做乘法式适配器融合，并配合谱恢复变换保住融合后的频谱特性，可直接插到现有 OFT/LoRA 式微调流程里。

MultiBanana: A Challenging Benchmark for Multi-Reference Text-to-Image Generation

为多参考主体驱动生成提供了覆盖参考数量（最多8张）、跨域、尺度不匹配、罕见概念与多语言文本的评测协议，可直接用于诊断个性化生成模型在异构参考组合下的失败模式。

FlowFixer: Towards Detail-Preserving Subject-Driven Generation

把主体驱动生成拆成「粗生成 + 图像到图像精修」两段，并用一步去噪构造自监督配对数据来模拟尺度/视角变化导致的细节丢失；做个性化生成或参考图保真时可直接复用该精修框架与关键点匹配保真度指标。

DreamOmni2: Multimodal Instruction-based Generation and Editing

提出多模态指令（文本+图像）编辑与生成任务，并设计索引编码与位置编码偏移方案处理多图输入，可复用于需要融合多张参考图的生成/编辑模型；数据合成管线（特征混合+提取模型）为构建此类训练数据提供可借鉴流程。

Disentangling to Re-couple: Resolving the Similarity-Controllability Paradox in Subject-Driven Text-to-Image Generation

把主体身份与修改指令在提示词层面解耦（实体词指代主体、代词指代修改对象），再用专门设计的奖励信号配合强化学习重新耦合，这套「先解耦再耦合」的流程可直接迁移到任何需要同时保真与可控的个性化生成/编辑管线中。

ChArtist: Generating Pictorial Charts with Unified Spatial and Subject Control

提出基于骨架的空间控制表示与 Spatially Gated Attention，用于在 DiT 中解耦空间结构与主体外观，可复用于需要同时控制布局和参考外观的生成任务。