FlexIP: Dynamische Steuerung von Erhaltung und Persönlichkeit für maßgeschneiderte Bildgenerierung

FlexIP: Dynamic Control of Preservation and Personality for Customized Image Generation

April 10, 2025

Autoren: Linyan Huang, Haonan Lin, Yanning Zhou, Kaiwen Xiao

cs.AI

Zusammenfassung

Mit dem rasanten Fortschritt von 2D-Generierungsmodellen hat die Bewahrung der Subjektidentität bei gleichzeitiger Ermöglichung vielfältiger Bearbeitungen einen zentralen Forschungsfokus eingenommen. Bestehende Methoden stehen typischerweise vor inhärenten Zielkonflikten zwischen Identitätserhalt und personalisierter Manipulation. Wir stellen FlexIP vor, ein neuartiges Framework, das diese Ziele durch zwei dedizierte Komponenten entkoppelt: einen Personalisierungsadapter für stilistische Manipulation und einen Erhaltungsadapter für die Identitätsbewahrung. Durch die explizite Integration beider Steuerungsmechanismen in das Generierungsmodell ermöglicht unser Framework eine flexible parametrisierte Steuerung während der Inferenz durch dynamische Anpassung des Gewichtsadapters. Experimentelle Ergebnisse zeigen, dass unser Ansatz die Leistungsgrenzen konventioneller Methoden durchbricht und eine überlegene Identitätsbewahrung bei gleichzeitiger Unterstützung vielfältigerer personalisierter Generierungsfähigkeiten erreicht (Projektseite: https://flexip-tech.github.io/flexip/).

English

With the rapid advancement of 2D generative models, preserving subject identity while enabling diverse editing has emerged as a critical research focus. Existing methods typically face inherent trade-offs between identity preservation and personalized manipulation. We introduce FlexIP, a novel framework that decouples these objectives through two dedicated components: a Personalization Adapter for stylistic manipulation and a Preservation Adapter for identity maintenance. By explicitly injecting both control mechanisms into the generative model, our framework enables flexible parameterized control during inference through dynamic tuning of the weight adapter. Experimental results demonstrate that our approach breaks through the performance limitations of conventional methods, achieving superior identity preservation while supporting more diverse personalized generation capabilities (Project Page: https://flexip-tech.github.io/flexip/).