11:44arXiv cs.AI@Shuhong Zheng, Aashish Kumar Misraa, Yu-Teng Li, Yu-Jhe Li, Igor Gilitschenski主体驱动图像生成旨在根据文本指令生成保留给定主体身份的新图像。现有方法通常分别编码文本和参考图像,限制了跨模态推理能力并导致复制粘贴伪影。本文提出了一种新框架,通过将扩散模型与多模态大语言模型(MLLM)结合,并引入基于VAE的身份条件,实现了文本指令与身份保留的平衡。其中,双层级聚合(DLA)模块用于融合MLLM的多层特征,多阶段去噪策略在推理时逐步平衡语义信息与细节身份。实验表明,该方法在主体驱动图像生成中优于现有方法,有效缓解了复制粘贴问题,并更符合人类偏好。论文多模态大语言模型主体驱动生成扩散模型身份保留图像生成推荐理由:做图像生成或AI绘画的开发者,这篇论文解决了主体身份保留与文本指令跟随的长期矛盾,提出的DLA模块和多阶段去噪策略可以直接参考,值得点开看看具体实现。原文