ComposeMe：用于可控人类图像生成的属性特定图像提示
计算机视觉与模式识别
2025-10-17 v2
摘要
生成对人类图像具有精细控制（如发型和服装）的高保真图像仍是个性化文本到图像合成的核心挑战。虽然先前方法强调从参考图像中保留身份信息，但缺乏模块化且无法对特定视觉属性实现解耦控制。我们提出一种新的属性特定图像提示范式，使用不同的参考图像集合指导生成人类外观各个方面（如发型、服装和身份）的生成。我们的模型将这些输入编码为属性特定的标记，并注入到预训练的文本到图像扩散模型中。这实现了对多个视觉因素的组合和解耦控制，甚至可以跨多个人类在单个图像中实现。为促进自然组合和稳健的解耦，我们构建了包含姿态和表情多样化的跨参考训练数据集，并提出一种多属性跨参考训练策略，鼓励模型从误对齐的属性输入中生成忠实输出，同时遵循身份和文本条件。广泛实验表明，我们的方法在准确遵循视觉和文本提示方面实现了最先进的性能。我们的框架为通过结合视觉提示与文本驱动的生成，为更可配置的人类图像合成铺平了道路。网页地址：https://snap-research.github.io/composeme/。
引用
@article{arxiv.2509.18092,
title = {ComposeMe: Attribute-Specific Image Prompts for Controllable Human Image Generation},
author = {Guocheng Gordon Qian and Daniil Ostashev and Egor Nemchinov and Avihay Assouline and Sergey Tulyakov and Kuan-Chieh Jackson Wang and Kfir Aberman},
journal= {arXiv preprint arXiv:2509.18092},
year = {2025}
}
备注
Accepted to SIGGRAPH Asia 2025, webpage: https://snap-research.github.io/composeme/