身份崩溃之时：多主体个性化的压力测试基准
计算机视觉与模式识别
2026-03-30 v1 人工智能
摘要
基于主体的文本到图像扩散模型在保持单一身份方面取得了显著成功，但其组合多个交互主体的能力仍 largely 未被探索且极具挑战性。现有评估协议通常依赖全局CLIP指标，其对局部身份崩溃不敏感，且无法捕捉多主体纠缠的严重程度。本文我们识别出当前模型中普遍存在的'可扩展性幻觉'：虽然它们在简单布局中合成2-4个主体表现出色，但在扩展至6-10个主体或处理复杂物理交互时遭受灾难性的身份崩溃。为系统性暴露这一失效模式，我们构建了一个严格的压力测试基准，包含75个提示，覆盖不同主体数量和交互难度（中性、遮挡、交互）。此外，我们证明标准基于CLIP的指标对此任务存在根本性缺陷，因为它们常为语义正确但身份崩溃的图像（如生成通用克隆体）赋予高分。为此，我们引入了主体崩溃率（Subject Collapse Rate, SCR），一种基于DINOv2结构先验的新型评估指标，严格惩罚局部注意力泄漏和同质化。我们对最先进模型（MOSAIC、XVerse、PSR）的大量评估表明，随着场景复杂度增加，身份保真度急剧下降，在10个主体时SCR接近100%。我们将此崩溃归因于全局注意力路由中固有的语义捷径，强调未来生成架构中亟需显式的物理解耦。
引用
@article{arxiv.2603.26078,
title = {When Identities Collapse: A Stress-Test Benchmark for Multi-Subject Personalization},
author = {Zhihan Chen and Yuhuan Zhao and Yijie Zhu and Xinyu Yao},
journal= {arXiv preprint arXiv:2603.26078},
year = {2026}
}
备注
10 pages, 7 figures, accepted by CVPR 2026 Workshop P13N