即插即用多概念自适应混合用于高保真文本到图像合成

将多个个人化概念集成到单张图像中是文本到图像（T2I）生成领域近期的重要关注方向。然而，现有方法在处理复杂多目标场景时常表现不佳，由于对个人化区域和非个人化区域的意外修改，导致效果欠佳。这不仅未能保留预期的提示结构，还破坏了区域之间的相互作用，引发语义不一致。为此，我们提出了即插即用多概念自适应混合用于高保真文本到图像合成（PnP-MIX）方法，该方法是一种创新且无需调参的方案，旨在无缝地将多个个人化概念嵌入单个生成图像中。 our 方法利用引导外观注意力，忠实地反映每个个人化概念的预期外观。为进一步提升构图保真度，我们提出了基于掩码引导的噪声混合策略，在保留背景或无关对象完整性的同时，实现对个人化对象的精确集成。最后，为缓解概念泄漏，即个人化概念特征不经意地泄漏到其他区域，我们提出了背景稀释++（background dilution++）新策略，有效减少此类泄漏，促进特征在个人化区域内的准确定位。大量实验结果表明，PnP-MIX 在单概念和多概念个人化场景中均优于现有方法，凸显其鲁健性和卓越性能，且无需额外模型调参。