SSR-Encoder: Encoding Selective Subject Representation for Subject-Driven Generation
Shanghai Jiao Tong University（上海交通大学）；Xiaohongshu Inc.（小红书公司）；Beijing University of Posts and Telecommunications（北京邮电大学）；National University of Singapore（新加坡国立大学）；Carnegie Mellon University（卡内基梅隆大学）；ShanghaiTech University（上海科技大学）
SSR-Encoder是一种无需微调的主体驱动生成架构，通过Token-to-Patch对齐器和细节保持编码器，实现从参考图像中精准选择主体并生成高质量图像。
2024-03-14 cs.CV
ID-Crafter: VLM-Grounded Online RL for Compositional Multi-Subject Video Generation
本文提出ID-Crafter框架，通过层次化注意力机制、预训练视觉语言模型和在线强化学习，提升多主体视频生成中身份保持与语义一致性。
2025-12-15 cs.CV
MultiCrafter: High-Fidelity Multi-Subject Generation via Disentangled Attention and Identity-Aware Preference Alignment
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；School of Software Technology, Zhejiang University（浙江大学软件技术学院）；Huawei Technologies Ltd（华为技术有限公司）
MultiCrafter通过解耦注意力和身份感知偏好对齐，提升多主体生成的保真度和人类偏好对齐能力。
2025-11-22 cs.CV
Vera: Identity-Faithful Human Subject-to-Video Generation
Kuaishou Technology（快手科技）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Tsinghua University（清华大学）
针对主体到视频生成中人类身份一致性不足问题，提出Vera框架，通过构建百万对身份对齐数据集，引入身份聚焦掩码监督和参考感知分层注意力两种设计，提升了身份一致性、主体绑定及运动自然性等。
2026-07-23 cs.CV
ARGUS: Stacked Multi-View Identity Mosaic Injection for Subject-Preserving Video Generation
Peking University（北京大学）；Kuaishou Technology（快手科技）；Xiamen University（厦门大学）
提出ARGUS框架，通过堆叠多视角身份马赛克注入（SMII）将身份表示为紧凑动态分布，结合MLLM身份导演、无交叉对反事实训练等模块，在主体保持视频生成中达到SOTA。
2026-06-11 cs.AI cs.CV
Identity-Preserving Text-to-Image Generation via Dual-Level Feature Decoupling and Expert-Guided Fusion
School of Cyber Science and Technology, Shenzhen Campus of Sun Yat-sen University（中山大学网络科学与技术学院深圳校区）；Technische Universität München（慕尼黑技术大学）
提出一种基于隐式-显式解耦模块和专家混合特征融合模块的新框架，通过分离身份相关与无关特征并引入互补损失函数，有效提升了主题驱动文本到图像生成的质量、文本对齐度与多样性。
2025-05-28 cs.CV
Expression-Diverse References for Identity-Preserving Video Generation
Institute for Creative Technologies, University of Southern California（南加州大学创意技术研究所）
该研究针对身份保留视频生成中表情变化导致的身份表征不足问题，构建表情多样化参考集并扩展Stand-In模型，在受控基准上显著提升了不同表情强度下的身份相似度。
2026-10-09 cs.CV
FocusDPO: Dynamic Preference Optimization for Multi-Subject Personalized Image Generation via Adaptive Focus
ByteDance FanQie（字节跳动FanQie）
针对多主体个性化图像生成中主体保真度难维持、易出现跨主体属性泄漏的问题，提出FocusDPO框架，通过自适应动态聚焦调整优化DPO过程，提升预训练模型性能，在单/多主体基准上达SOTA。
2025-09-01 cs.AI cs.CV
Self-correction Optimization for Interleaved Multimodal Generation
Shanghai Jiao Tong University（上海交通大学）；SenseTime Research（商汤科技研究院）；Technical University of Munich（慕尼黑工业大学）
提出无需训练的自我修正优化方法，通过新事件与状态保持约束，提升交错多模态生成的时间一致性与视觉主体保持，并适用于视频生成。
2026-10-08 cs.CV
MDN-Control: Mask-Depth-Noise Guided Region Control for Multi-Subject Video Editing
Wuhan University（武汉大学）
提出MDN-Control，一种无需训练的多主体视频编辑框架，通过掩码定位、深度遮挡控制和噪声潜在提示，在MSVBench上取得最优编辑质量，解决属性泄漏与遮挡模糊问题。
2026-09-16 cs.CV
RefVNLI: Towards Scalable Evaluation of Subject-driven Text-to-image Generation
Google Research（谷歌研究）；Ben Gurion University（本· Gurion大学）
提出经济高效的评估指标RefVNLI，通过单次运行同时评估主体驱动文本到图像生成的文本对齐与主体保留，在多个基准上优于或持平现有基线。
2025-05-29 cs.CV
DreamInpainter: Text-Guided Subject-Driven Image Inpainting with Diffusion Models
Carnegie Mellon University（卡内基梅隆大学）；Google（谷歌）；Boston University（波士顿大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
提出文本引导主体驱动图像修复任务，并通过 DreamInpainter 的密集主体特征、判别式 token 选择与解耦正则化，平衡主体保真度、遮罩约束和文本控制。
2023-12-05 cs.CV
MS-Diffusion: Multi-subject Zero-shot Image Personalization with Layout Guidance
Alibaba Group（阿里巴巴集团）；Zhejiang University（浙江大学）
本文提出MS-Diffusion框架，通过结合grounding tokens与特征重采样器并引入布局引导的多主体交叉注意力机制，实现了多主体零样本文本到图像个性化生成，显著提升了图像与文本保真度。
2025-03-04 cs.CV
Geometry-Contrastive GAN for Facial Expression Transfer
Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）
在本文中，我们提出了一个几何对比生成对抗网络（GC-GAN），用于在不同的主体之间传递连续的情感。给定具有特定情感的输入人脸和来自另一主体的目标面部表情，GC-GAN可以生成具有目标表情的身份保持人脸。几何信息被引入cGAN作为连续条件来指导面部表情的生成。为了处理不同主题或情绪之间的不对齐，对比学习被用来将几何流形转换为嵌入的面部表情语义流形。因此，嵌入式几何被注入到GANs的潜在空间中，并有效地控制情感生成。实验结果表明，即使不同被试的面部形状和表情存在很大差异，该方法也可以应用于面部表情迁移。
2018-10-22 cs.CV
IMAGE-ALCHEMY: Advancing subject fidelity in personalised text-to-image generation
Indian Institute of Technology Roorkee（印度理工学院罗尔基分校）
针对个性化文本生成图像存在的灾难性遗忘、过拟合等问题，提出基于LoRA微调的两阶段IMAGE-ALCHEMY框架，在SDXL上实现0.789的DINO相似度，优于现有方法。
2025-05-15 cs.CV
CoDi: Subject-Consistent and Pose-Diverse Text-to-Image Generation
Nanjing University（南京大学）；Nanyang Technological University（南洋理工大学）；Vipshop
CoDi通过两阶段策略实现文本到图像生成中主体一致性和姿态多样性的平衡，提升视觉表现和性能。
2026-02-01 cs.CV
SIGMA-GEN: Structure and Identity Guided Multi-subject Assembly for Image Generation
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Adobe Research（Adobe研究院）
SIGMA-GEN提出统一框架，支持结构空间约束下的单次多身份图像生成，并引入SIGMA-SET27K数据集，实现身份保持、质量和速度的最先进性能。
2025-10-07 cs.CV
ASTRA: Let Arbitrary Subjects Transform in Video Editing
NExT++ Research Centre, National University of Singapore（新加坡国立大学NExT++研究中心）；School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院）；College of Information Science and Technology and Artificial Intelligence, Nanjing Forestry University（南京林业大学信息科学与技术学院及人工智能学院）
ASTRA提出一种无需训练的视频编辑框架，通过多模态对齐模块和先验掩码重定位模块解决密集多主体场景中的注意力稀释和边界纠缠问题，实现精准操控与非目标区域的严格保留。
2026-04-14 cs.CV
Towards Subject Consistency over Dynamic Subject Sets in Video Generation
Institute for AI（人工智能研究院）；Tsinghua-Bosch Joint ML Center（清华-博世机器学习联合中心）；Tsinghua University（清华大学）
针对长视频生成中主体一致性问题，提出DynSC-Eval评估框架及基于其奖励的后训练方法，显著降低不一致指标并保持其他能力。
2026-10-02 cs.CV
SceneBooth: Diffusion-based Framework for Subject-preserved Text-to-Image Generation
University of Science and Technology of China（中国科学技术大学）；Alibaba Group（阿里巴巴集团）
本文提出 SceneBooth 框架，通过固定主体图像并生成协调背景，结合多模态布局与 ControlNet、门控自注意力适配器，提升文本到图像生成中的主体保真度。
2025-01-07 cs.CV
Adversarial Identity Injection for Semantic Face Image Synthesis
University of Parma（帕尔马大学）；University of Bologna（博洛尼亚大学）
针对语义人脸图像合成中身份保留不足的问题，提出融合身份、风格与语义特征的交叉注意力SIS架构，兼具身份保留与人脸识别对抗攻击能力。
2024-04-16 cs.CV
MoFu: Scale-Aware Modulation and Fourier Fusion for Multi-Subject Video Generation
MoFu通过尺度感知调制和傅里叶融合解决多主体视频生成中的尺度不一致和排列敏感性问题，提升生成质量。
2025-12-26 cs.CV
Memento: Reconstruct to Remember for Consistent Long Video Generation
Xiamen University（厦门大学）；ERNIE Team, Baidu Inc.（百度公司ERNIE团队）
提出Memento框架，通过主体重建引导和双查询记忆机制，解决长视频生成中主体一致性丢失问题，实现跨镜头连贯生成。
2026-06-15 cs.CV
Tether the Subject, Release the Scene: Query-Aware Memory Routing for Long-Horizon Autoregressive Video Generation
Huazhong University of Science and Technology（华中科技大学）；MiLM Plus, Xiaomi Inc.（小米公司MiLM Plus）
针对流式自回归视频生成中记忆锚定的场景欠进展问题，提出无需训练的查询感知时空记忆路由器 TetherMem，分离主体与场景查询调节历史访问，在长视频生成的整体质量与场景进展指标上优于基线方法。
2026-08-28 cs.CV
Phantom-Data : Towards a General Subject-Consistent Video Generation Dataset
Intelligent Creation Lab, ByteDance（字节跳动智能创作实验室）
针对主体到视频生成中的复制粘贴问题，提出首个通用跨对一致性数据集 Phantom-Data，含约百万身份一致对，通过三阶段流程构建，显著提升提示对齐与视觉质量。
2025-06-23 cs.CV
MotionBooth: Motion-Aware Customized Text-to-Video Generation
PKU（北京大学）；NTU（南洋理工大学）；Shanghai AI Laboratory（上海人工智能实验室）；ZJU（浙江大学）；SJTU（上海交通大学）
本研究提出MotionBooth定制化文本生成视频框架，通过少量图像微调模型，结合多种损失函数与免训练运动控制技术，实现主体与相机运动的精准控制，同时保留主体外观，经多维度评估验证了方法的有效性。
2024-10-29 cs.CV
SynMotion: Semantic-Visual Adaptation for Motion Customized Video Generation
The University of Hong Kong（香港大学）；Ant Group（蚂蚁集团）；Tongyi（通义）；University of Wisconsin–Madison（威斯康星大学麦迪逊分校）；Huazhong University of Science and Technology（华中科技大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
SynMotion通过联合语义指导和视觉适应，解决视频生成中语义与视觉信息的平衡问题，提出双嵌入语义理解机制和参数高效运动适配器，提升运动细节和时间一致性。
2026-04-28 cs.CV
Customizing Video Portraits via Identity-ActionDecoupling
College of Intelligent Robotics and Advanced Manufacturing, Fudan University（复旦大学智能机器人与先进制造学院）；College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院）；The University of Hong Kong（香港大学）
提出身份-动作解耦框架，通过身份解耦损失和文本对齐损失，无需微调即可生成保持身份一致且表情丰富的视频。
2026-06-23 cs.CV
GroundingBooth: Grounding Text-to-Image Customization
Washington University in St. Louis（圣路易斯华盛顿大学）；Adobe（奥多比公司）；Purdue University（普渡大学）
针对文本到图像定制难以控制物体位置与尺寸的问题，本文提出 GroundingBooth，通过定位模块和主体定位交叉注意力实现零样本实例级空间布局控制，并支持多主体个性化。
2025-03-16 cs.CV
CustomVideo: Customizing Text-to-Video Generation with Multiple Subjects
Department of Computer Science and Engineering, The Chinese University of Hong Kong（计算机科学与工程系，香港中文大学）；Huawei Noah Ark’s Lab（华为诺亚实验室）；Department of Statistics and Actuarial Science, The University of Hong Kong（统计与精算系，香港大学）
针对现有文本生成视频个性化方法难以处理多主体的问题，提出CustomVideo框架，通过主体组合、注意力控制策略及物体掩码辅助学习，结合新建的多主体基准数据集，实现了更优的多主体身份保留视频生成效果。
2025-10-28 cs.CV
CPDM: Content-Preserving Diffusion Model for Underwater Image Enhancement
Guangzhou University（广州大学）
针对水下图像增强中现有方法的性能瓶颈问题，提出结合条件输入模块与内容补偿模块的内容保持扩散模型CPDM，在主客观指标上均优于现有最优方法。
2024-01-28 cs.CV
ASTRA: Enhancing Multi-Subject Generation with Retrieval-Augmented Pose Guidance and Disentangled Position Embedding
Huazhong University of Science and Technology（华中科技大学）
ASTRA通过检索增强的姿势引导和解纠缠位置嵌入，解决多主体生成中身份与姿势结构的分离问题，提升姿态一致性和身份保真度。
2026-04-15 cs.CV
FreeFuse: Multi-Subject LoRA Fusion via Adaptive Token-Level Routing at Test Time
State Key Laboratory of CAD&CG（计算机辅助设计与图形学国家重点实验室）
FreeFuse通过测试时自适应token级路由实现多主体LoRA融合，无需额外训练或模型修改，仅需主体激活词即可实现无缝图像生成。
2026-09-01 cs.CV
Identity-GRPO: Optimizing Multi-Human Identity-preserving Video Generation via Reinforcement Learning
Alibaba Group（阿里巴巴集团）；Fudan University（复旦大学）
Identity-GRPO通过强化学习优化多人类身份保持的视频生成，显著提升一致性指标。
2026-01-30 cs.CV
OpenSubject: Leveraging Video-Derived Identity and Diversity Priors for Subject-driven Image Generation and Manipulation
HKUST（香港科技大学）；Meituan（美团）；HKUST(GZ)（香港科技大学（广州））
OpenSubject通过视频衍生的大规模数据集提升主体驱动图像生成与操纵的性能，尤其在复杂场景中表现更优。
2025-12-10 cs.CV
FreeCus: Free Lunch Subject-driven Customization in Diffusion Transformers
FreeCus提出免训练框架，通过注意力共享、动态偏移升级变体和多模态大语言模型增强，释放扩散Transformer的零样本主体驱动定制能力，达到与需训练方法相当或更优的效果。
2025-07-21 cs.CV
WildActor: Unconstrained Identity-Preserving Video Generation
The Hong Kong University of Science（香港科学与技术大学）；National University of Singapore（新加坡国立大学）
WildActor通过不对称注意力机制和视点自适应采样策略，在无约束视角下实现身份保持的人类视频生成。
2026-03-09 cs.CV
Keyframe-Anchored Identity Preservation for Sequential-Action Video Generation
University of Science and Technology of China（中国科学技术大学）
针对身份保留文本到视频生成任务中主体身份保持和动作执行的挑战，提出无训练三阶段管道框架，包括动作感知提示优化、身份保留生成和身份感知推理增强，该方法在官方排行榜上排名第三，性能和通用性强。
2026-07-21 cs.CV cs.MM
KeyID: Decoupled Drafting and Keyframe Editing for Identity-Preserving Video Generation
Guangdong University of Technology（广东工业大学）
KeyID是无需训练的IPVG框架，通过解耦视频动态合成与身份注入，解决身份一致性问题，在ACM MM 2026 IPVG挑战赛获亚军，可扩展至多主体参考及复杂序列动作生成。
2026-08-18 cs.CV cs.GR cs.MM
Flux Already Knows -- Activating Subject-Driven Image Generation without Training
ByteDance Intelligent Creation（字节跳动智能创作）
本文提出一种零样本主体驱动图像生成框架，利用原始Flux模型通过网格补全和级联注意力实现身份保持，无需训练，在多个基准上优于基线，支持多种编辑。
2025-04-19 cs.AI cs.CV
Phantom: Subject-consistent video generation via cross-modal alignment
Intelligent Creation Team, ByteDance（字节跳动智能创作团队）
本文提出Phantom统一视频生成框架，通过重新设计联合文本-图像注入模型并利用文本-图像-视频三元组数据学习跨模态对齐，在单主体和多主体参考下实现高保真主体一致视频生成，解决了图像内容泄漏和多主体混淆问题，性能优于现有闭源商业方案。
2025-04-10 cs.AI cs.CV
Concat-ID: Towards Universal Identity-Preserving Video Synthesis
Gaoling School of AI, Renmin University of China（中国人民大学人工智能学院）；Tsinghua University（清华大学）；Zhipu AI（智谱AI）
Concat-ID 提出一种无需额外模块、仅靠 3D 自注意力融合图像特征与视频潜变量的身份保持视频生成框架，并通过跨视频配对与多阶段训练在单/多身份及多主体场景中取得领先效果。
2025-07-02 cs.AI cs.CV
IdGlow: Dynamic Identity Modulation for Multi-Subject Generation
Xiaohongshu Inc.（小红书公司）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Peking University（北京大学）；Tsinghua University（清华大学）
本文提出IdGlow框架，通过任务自适应的时间步调度和视觉语言模型解决多主体生成中的稳定性与可塑性矛盾，提升面部真实感与商业级美学质量。
2026-05-08 cs.AI cs.CV
BLIP-Diffusion: Pre-trained Subject Representation for Controllable Text-to-Image Generation and Editing
Salesforce AI Research（Salesforce人工智能研究院）
BLIP-Diffusion通过预训练多模态编码器提供主体表示，实现零样本主体驱动生成和高效微调，速度提升20倍，并可与ControlNet等结合用于生成和编辑。
2023-06-22 cs.AI cs.CV
Preserving Subject-Clarity in Image Outpainting with Multiscale Wavelet Supervision
Microsoft（微软）；Virginia Tech（弗吉尼亚理工大学）
针对图像外扩中主体清晰度下降问题，提出结合VLM语义条件与多尺度小波监督的框架，并构建主体中心数据流程，在四个基准上显著降低DreamSim误差和FID。
2026-09-15 cs.CV
Photoswap: Personalized Subject Swapping in Images
University of California, Santa Cruz（加州大学圣克鲁兹分校）；Adobe（奥多比公司）；University of California, Santa Barbara（加州大学圣巴巴拉分校）
Photoswap 提出一种无需训练的个性化主体替换方法，通过从参考图像学习视觉概念并利用扩散模型的自注意力和交叉注意力操纵，在保持姿态和背景一致性的同时实现高质量图像主体替换，并在人类评分中显著优于基线方法。
2023-05-29 cs.AI cs.CV
Point-Based Shape Representation Generation with a Correspondence-Preserving Diffusion Model
University of Virginia（弗吉尼亚大学）
提出一种对应保持的扩散模型，生成具有点对应关系的逼真海马体形状，优于现有方法，并支持条件生成和疾病进展预测。
2025-08-05 cs.CV cs.LG
Kaleido: Open-Sourced Multi-Subject Reference Video Generation Model
Hefei University of Technology（合肥工业大学）；Tsinghua University（清华大学）；Zhipu AI（智谱AI）
Kaleido通过改进的数据构建和参考旋转位置编码，提升了多主体参考视频生成的一致性、保真度和泛化能力。
2026-03-04 cs.AI cs.CV
DreamBooth: Fine Tuning Text-to-Image Diffusion Models for Subject-Driven Generation
Google Research（谷歌研究院）；Boston University（波士顿大学）
大型文本到图像模型在人工智能的发展中实现了显着的飞跃，能够从给定的文本提示中合成高质量和多样化的图像。然而，这些模型缺乏在给定的参考集中模仿受试者的外观并在不同的上下文中合成新的再现的能力。在这项工作中，我们提出了一种新的方法“个性化”的文本到图像的扩散模型。给定一个主题的几张图像作为输入，我们微调一个预训练的文本到图像模型，使它学会将唯一标识符与该特定主题绑定。一旦主体被嵌入到模型的输出域中，唯一标识符就可以用于合成在不同场景中情境化的主体的新颖的真实感图像。通过利用嵌入在模型中的语义先验与一个新的自生类特定的先验保存损失，我们的技术使合成的主题在不同的场景，姿势，视图和照明条件下，不出现在参考图像。我们将我们的技术应用到几个以前无懈可击的任务中，包括主题重新语境化，文本指导的视图合成和艺术渲染，同时保留主题的关键特征。我们还提供了一个新的数据集和评估协议，这个新的任务，主题驱动的生成。项目页面：https://dreambooth.github.io/
2023-03-15 cs.CV cs.GR cs.LG
ICAS: IP Adapter and ControlNet-based Attention Structure for Multi-Subject Style Transfer Optimization
Northeastern University at Qinhuangdao（东北大学秦皇岛分校）
针对多主体风格迁移中风格定义模糊、语义保真难及推理成本高的问题，提出ICAS框架，结合IP-Adapter和ControlNet自适应微调内容注入分支，引入循环嵌入机制，在有限数据下实现高效可控迁移并提升性能。
2025-04-17 cs.AI cs.CV
Single volume lung biomechanics from chest computed tomography using a mode preserving generative adversarial network
University of Iowa（爱荷华大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；University of Utah（犹他大学）
肺的局部组织扩张通常通过配准在多个肺体积处采集的计算机断层摄影（CT）扫描来导出。然而，获取多次扫描会增加辐射剂量、时间和成本，并且在许多情况下可能是不可能的，因此限制了基于配准的生物力学的适用性。我们提出了一种生成对抗学习方法，用于直接从单次CT扫描中估计局部组织扩张。对来自SPIROMICS队列的2500名受试者进行了拟议框架的培训和评估。一旦经过训练，该框架可以用作预测局部组织扩张的免配准方法。我们评估了不同疾病严重程度的模型性能，并将其性能与两个图像到图像转换框架- UNet和Pix 2 Pix进行了比较。我们的模型在1 mm 3的高空间分辨率下实现了18.95分贝的整体PSNR，0.840的SSIM和0.61的斯皮尔曼相关性。
2021-10-15 cs.CV eess.IV
FSGAN: Subject Agnostic Face Swapping and Reenactment
Bar-Ilan University（巴伊兰大学）；The Open University of Israel（以色列开放大学）
我们提出了人脸交换GAN（FSGAN）的人脸交换和重演。与以前的工作不同，FSGAN是主题不可知的，可以应用于成对的面孔，而不需要对这些面孔进行训练。为此，我们描述了一些技术贡献。我们推导出一种新的基于递归神经网络（RNN）的人脸重现方法，该方法可以调整姿态和表情变化，并可以应用于单个图像或视频序列。对于视频序列，我们介绍了连续插值的人脸视图的基础上重演，德洛内三角剖分，重心坐标。被遮挡的面部区域由面部补全网络处理。最后，我们使用一个人脸混合网络来无缝混合两个人脸，同时保留目标肤色和光照条件。该网络使用了一种新的泊松混合损失，它结合了泊松优化与感知损失。我们将我们的方法与现有的最先进的系统进行比较，并表明我们的结果在质量和数量上都具有优势。
2019-08-16 cs.CV cs.GR cs.LG
When Identities Collapse: A Stress-Test Benchmark for Multi-Subject Personalization
University of California, Los Angeles（加州大学洛杉矶分校）；University of Southern California（南加州大学）；DeerLab LLC（DeerLab有限责任公司）；Carnegie Mellon University（卡内基梅隆大学）
本文提出一个压力测试基准，揭示多主体生成模型在复杂场景下的身份崩溃问题，并引入新的评估指标SCR，强调未来生成架构需显式物理解耦。
2026-03-27 cs.AI cs.CV
Be Decisive: Noise-Induced Layouts for Multi-Subject Generation
Tel Aviv University（特拉维夫大学）；Snap Research（Snap研究公司）
针对多主体生成中的主体泄漏问题，提出一种通过小型神经网络从初始噪声预测并逐步细化空间布局的方法，避免了外部布局与模型先验的冲突，提升了文本-图像对齐和多主体生成的稳定性。
2025-05-27 cs.AI cs.CV cs.GR
