HandCraft：扩散生成图像中畸形手的解剖学正确修复

生成式文本到图像模型（如 Stable Diffusion）已展现出生成多样化、高质量图像的卓越能力。然而，在渲染人手方面，它们却出奇地无能，手部常常出现解剖学上的错误或落入"恐怖谷"。本文提出 HandCraft 方法用于修复此类畸形手。该方法通过参数化模型自动构建手部掩码与深度图像作为条件信号，使基于扩散的图像编辑器能够修复手部解剖结构并调整其姿态，同时将变化无缝融入原始图像，保留姿态、颜色与风格。我们的即插即用手部修复方案兼容现有的预训练扩散模型，且修复过程无需对扩散模型进行任何微调或训练。我们还贡献了 MalHand 数据集，其中包含多种风格的广泛畸形手生成图像，用于手部检测器训练与手部修复基准测试，并通过定性与定量评估证明 HandCraft 不仅能恢复解剖学正确性，还能保持整体图像的完整性。