ASTRA：通过检索增强姿态引导和解缝位置嵌入提升多主体生成
计算机视觉与模式识别
2026-04-16 v1
摘要
主体驱动的图像生成在创建个性化内容方面取得了很大成功，但其能力主要局限于单一主体的常见姿态。当前方法在处理具有复杂、不同动作的多个主体时面临根本性冲突：在保持精确姿态结构的同时保护个体身份。这种挑战常导致身份融合和姿态畸变，因为外观和结构信号在模型架构中被缠绕。为解决此冲突，我们引入 ASTRA(通过目标检索增强自适应合成)，一个在统一扩散变换器中架构性解缝主体外观与姿态结构的新框架。ASTRA 首先采用检索增强姿态(RAG-Pose)管道从精选数据库中提供干净、明确的结构先验。然后，其核心生成模型学习处理这些双重视觉条件，利用我们增强的通用旋转位置嵌入(EURoPE)，这是一种非对称编码机制，将身份令牌与空间位置解耦，同时将姿态令牌绑定到画布上。同时，解缝语义调制(DSM)适配器将身份保持任务卸载到文本条件流中。广泛的实验表明，我们的集成方法实现了卓越的解缝。在设计的基于 COCO 的复杂姿态基准测试上，ASTRA 在姿态遵循度上实现了新出现的 state-of-the-art，同时在 DreamBench 中保持了高的身份保真度和文本对齐。
引用
@article{arxiv.2604.13938,
title = {ASTRA: Enhancing Multi-Subject Generation with Retrieval-Augmented Pose Guidance and Disentangled Position Embedding},
author = {Tianze Xia and Zijian Ning and Zonglin Zhao and Mingjia Wang},
journal= {arXiv preprint arXiv:2604.13938},
year = {2026}
}