IdentityStory：驯服面向人的故事生成中的身份保持生成器
计算机视觉与模式识别
2025-12-30 v1
摘要
最近的视觉生成模型能够从文本生成具有一致角色的故事，但面向人的故事生成面临额外挑战，包括维持详细且多样的人脸一致性，以及在不同图像之间协调多个角色。本文提出 IdentityStory，一个确保跨多个连续图像中角色身份一致性的人类导向故事生成框架。通过驯服身份保持生成器，该框架包含两个关键组件：迭代身份发现 (Iterative Identity Discovery)，用于提取连贯的角色身份；以及重新去噪身份注入 (Re-denoising Identity Injection)，用于在保持所需上下文的同时注入身份。实验在 ConsiStory-Human 数据集上表明，IdentityStory 在面部一致性方面优于现有方法，并支持多角色组合。该框架在无限长度故事生成和动态角色组合等应用方面显示出强大的潜力。
引用
@article{arxiv.2512.23519,
title = {IdentityStory: Taming Your Identity-Preserving Generator for Human-Centric Story Generation},
author = {Donghao Zhou and Jingyu Lin and Guibao Shen and Quande Liu and Jialin Gao and Lihao Liu and Lan Du and Cunjian Chen and Chi-Wing Fu and Xiaowei Hu and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:2512.23519},
year = {2025}
}
备注
Accepted by AAAI2026 (Project page: https://correr-zhou.github.io/IdentityStory)