MOSAIC: Generación Personalizada Multisujeto mediante Alineación y Desentrelazamiento Conscientes de Correspondencias

MOSAIC: Multi-Subject Personalized Generation via Correspondence-Aware Alignment and Disentanglement

September 2, 2025

Autores: Dong She, Siming Fu, Mushui Liu, Qiaoqiao Jin, Hualiang Wang, Mu Liu, Jidong Jiang

cs.AI

Resumen

La generación personalizada multi-sujeto presenta desafíos únicos en la mantención de la fidelidad de identidad y la coherencia semántica al sintetizar imágenes condicionadas por múltiples sujetos de referencia. Los métodos existentes suelen sufrir de mezcla de identidades y filtración de atributos debido a un modelado inadecuado de cómo los diferentes sujetos deberían interactuar dentro de espacios de representación compartidos. Presentamos MOSAIC, un marco centrado en la representación que replantea la generación multi-sujeto mediante correspondencia semántica explícita y desentrelazamiento ortogonal de características. Nuestra idea clave es que la generación multi-sujeto requiere una alineación semántica precisa a nivel de representación: saber exactamente qué regiones en la imagen generada deben atender a qué partes de cada referencia. Para habilitar esto, introducimos SemAlign-MS, un conjunto de datos meticulosamente anotado que proporciona correspondencias semánticas detalladas entre múltiples sujetos de referencia e imágenes objetivo, previamente no disponible en este dominio. Sobre esta base, proponemos la pérdida de atención por correspondencia semántica para imponer una alineación semántica precisa de punto a punto, asegurando una alta consistencia desde cada referencia a sus regiones designadas. Además, desarrollamos la pérdida de desentrelazamiento multi-referencia para empujar a diferentes sujetos hacia subespacios de atención ortogonales, previniendo la interferencia de características mientras se preservan las características individuales de identidad. Experimentos extensivos demuestran que MOSAIC alcanza un rendimiento de vanguardia en múltiples benchmarks. Notablemente, mientras los métodos existentes típicamente se degradan más allá de 3 sujetos, MOSAIC mantiene una alta fidelidad con 4+ sujetos de referencia, abriendo nuevas posibilidades para aplicaciones complejas de síntesis multi-sujeto.

English

Multi-subject personalized generation presents unique challenges in maintaining identity fidelity and semantic coherence when synthesizing images conditioned on multiple reference subjects. Existing methods often suffer from identity blending and attribute leakage due to inadequate modeling of how different subjects should interact within shared representation spaces. We present MOSAIC, a representation-centric framework that rethinks multi-subject generation through explicit semantic correspondence and orthogonal feature disentanglement. Our key insight is that multi-subject generation requires precise semantic alignment at the representation level - knowing exactly which regions in the generated image should attend to which parts of each reference. To enable this, we introduce SemAlign-MS, a meticulously annotated dataset providing fine-grained semantic correspondences between multiple reference subjects and target images, previously unavailable in this domain. Building on this foundation, we propose the semantic correspondence attention loss to enforce precise point-to-point semantic alignment, ensuring high consistency from each reference to its designated regions. Furthermore, we develop the multi-reference disentanglement loss to push different subjects into orthogonal attention subspaces, preventing feature interference while preserving individual identity characteristics. Extensive experiments demonstrate that MOSAIC achieves state-of-the-art performance on multiple benchmarks. Notably, while existing methods typically degrade beyond 3 subjects, MOSAIC maintains high fidelity with 4+ reference subjects, opening new possibilities for complex multi-subject synthesis applications.