Ar2Can：面向多人生成的架构师与艺术家利用画布
计算机视觉与模式识别
2026-04-02 v3
摘要
尽管近期在个性化图像生成方面取得了进展，现有模型始终无法可靠地生成多人场景，往往会合并或丢失面部身份信息。我们提出Ar2Can，一个新颖的两阶段框架，用于多人生成，通过解耦空间规划与身份渲染。架构师预测结构化布局，指定每个人应出现的位置。艺术家随后在受空间锚定面部匹配奖励驱动下合成照片级图像，该奖励将匈牙利空间对齐与身份相似性相结合。这种方法确保面部在正确位置渲染，并忠实保留参考身份信息。我们开发了两种架构变体，无缝集成到基于扩散的艺术家模型中。通过使用组合奖励进行群体相对策略优化（GRPO），以计数准确性、图像质量和身份匹配为优化目标。评估于MultiHuman-Testbench基准后，Ar2Can在计数准确性和身份保留方面实现了显著提升，同时保持高感知质量。值得注意的是，我们的方法仅使用主要合成数据，无需真实的多人图像。项目页面：https://qualcomm-ai-research.github.io/ar2can/。
引用
@article{arxiv.2511.22690,
title = {Ar2Can: An Architect and an Artist Leveraging a Canvas for Multi-Human Generation},
author = {Shubhankar Borse and Phuc Pham and Farzad Farhadzadeh and Seokeon Choi and Phong Ha Nguyen and Anh Tuan Tran and Sungrack Yun and Munawar Hayat and Fatih Porikli},
journal= {arXiv preprint arXiv:2511.22690},
year = {2026}
}
备注
Accepted to CVPR 2026