IdGlow：用于多主体生成的动态身份调制
计算机视觉与模式识别
2026-05-19 v2 人工智能
摘要
多主体图像生成需要在连贯的场景中无缝地调和多个参考身份。然而，依赖刚性空间掩码或局部注意力的现有方法在需要复杂结构变形的任务（如身份保持年龄转换）时往往难以解决“稳定性-塑性困境”。为此，我们提出 IdGlow，一个基于 Flow Matching 扩散模型构建的无掩码、渐进式两阶段框架。在监督微调（SFT）阶段，我们引入与扩散生成动力学一致的任务自适应时间步调度：一个线性衰减调度逐渐放宽约束以实现自然的群体构成，以及一个时空门控机制将身份注入集中在关键语义窗口，从而成功地在不覆盖儿童解剖结构的前提下保留成年人的面部语义。为解决属性泄漏和语义模糊问题（无需显式布局输入），我们进一步集成一个基于差分案例驱动的视觉语言模型（VLM）用于精确的、上下文感知的提示合成。在第二个阶段，我们设计一种带加权间隙的细粒度群组级直接偏好优化（DPO），以同时消除多主体伪影、提升纹理和谐性、并将身份保真度校准至真实世界分布。在两个具有挑战性的基准测试——直接多人融合和年龄转换群体生成——上的大量实验表明，IdGlow 从根本上缓解了稳定性-塑性冲突，实现了在面部保真度和商业级美学质量之间达到最先进水平的 Pareto 均衡。
引用
@article{arxiv.2603.00607,
title = {IdGlow: Dynamic Identity Modulation for Multi-Subject Generation},
author = {Honghao Cai and Xiangyuan Wang and Jing Li and Yunhao Bai and Tianze Zhou and Haohua Chen and Chao Hui and Changhao Qiao and Runqi Wang and Sijie Xu and Yuyang Hao and Zezhou Cui and Yuyuan Yang and Wei Zhu and Yibo Chen and Xu Tang and Yao Hu and Zhen Li},
journal= {arXiv preprint arXiv:2603.00607},
year = {2026}
}