Scone: Uniendo Composición y Distinción en la Generación de Imágenes Guiada por Temas mediante un Modelo Unificado de Comprensión-Generación
Scone: Bridging Composition and Distinction in Subject-Driven Image Generation via Unified Understanding-Generation Modeling
December 14, 2025
Autores: Yuran Wang, Bohan Zeng, Chengzhuo Tong, Wenxuan Liu, Yang Shi, Xiaochen Ma, Hao Liang, Yuanxing Zhang, Wentao Zhang
cs.AI
Resumen
La generación de imágenes guiada por sujetos ha evolucionado de la composición con un solo sujeto a múltiples sujetos, pero ha descuidado la distinción: la capacidad de identificar y generar el sujeto correcto cuando las entradas contienen múltiples candidatos. Esta limitación restringe su eficacia en entornos visuales complejos y realistas. Proponemos Scone, un método unificado de comprensión-generación que integra composición y distinción. Scone permite que el experto en comprensión actúe como puente semántico, transmitiendo información semántica y guiando al experto en generación para preservar la identidad del sujeto mientras minimiza la interferencia. Un esquema de entrenamiento en dos etapas primero aprende la composición, luego mejora la distinción mediante alineación semántica y enmascaramiento basado en atención. También presentamos SconeEval, un benchmark para evaluar tanto la composición como la distinción en diversos escenarios. Los experimentos demuestran que Scone supera a los modelos de código abierto existentes en tareas de composición y distinción en dos benchmarks. Nuestro modelo, benchmark y datos de entrenamiento están disponibles en: https://github.com/Ryann-Ran/Scone.
English
Subject-driven image generation has advanced from single- to multi-subject composition, while neglecting distinction, the ability to identify and generate the correct subject when inputs contain multiple candidates. This limitation restricts effectiveness in complex, realistic visual settings. We propose Scone, a unified understanding-generation method that integrates composition and distinction. Scone enables the understanding expert to act as a semantic bridge, conveying semantic information and guiding the generation expert to preserve subject identity while minimizing interference. A two-stage training scheme first learns composition, then enhances distinction through semantic alignment and attention-based masking. We also introduce SconeEval, a benchmark for evaluating both composition and distinction across diverse scenarios. Experiments demonstrate that Scone outperforms existing open-source models in composition and distinction tasks on two benchmarks. Our model, benchmark, and training data are available at: https://github.com/Ryann-Ran/Scone.