ContextGen: Anclaje de Diseño Contextual para la Generación de Múltiples Instancias con Identidad Consistente

ContextGen: Contextual Layout Anchoring for Identity-Consistent Multi-Instance Generation

October 13, 2025

Autores: Ruihang Xu, Dewei Zhou, Fan Ma, Yi Yang

cs.AI

Resumen

La generación de imágenes multi-instancia (MIG) sigue siendo un desafío significativo para los modelos de difusión modernos debido a limitaciones clave en el control preciso del diseño de objetos y la preservación de la identidad de múltiples sujetos distintos. Para abordar estas limitaciones, presentamos ContextGen, un novedoso marco de Transformador de Difusión para la generación multi-instancia que se guía tanto por el diseño como por imágenes de referencia. Nuestro enfoque integra dos contribuciones técnicas clave: un mecanismo de Anclaje de Diseño Contextual (CLA) que incorpora la imagen de diseño compuesto en el contexto de generación para anclar de manera robusta los objetos en sus posiciones deseadas, y una Atención de Consistencia de Identidad (ICA), un mecanismo de atención innovador que aprovecha las imágenes de referencia contextuales para garantizar la consistencia de identidad de múltiples instancias. Reconociendo la falta de conjuntos de datos a gran escala y estructurados jerárquicamente para esta tarea, presentamos IMIG-100K, el primer conjunto de datos con anotaciones detalladas de diseño e identidad. Experimentos extensivos demuestran que ContextGen establece un nuevo estado del arte, superando a los métodos existentes en precisión de control, fidelidad de identidad y calidad visual general.

English

Multi-instance image generation (MIG) remains a significant challenge for modern diffusion models due to key limitations in achieving precise control over object layout and preserving the identity of multiple distinct subjects. To address these limitations, we introduce ContextGen, a novel Diffusion Transformer framework for multi-instance generation that is guided by both layout and reference images. Our approach integrates two key technical contributions: a Contextual Layout Anchoring (CLA) mechanism that incorporates the composite layout image into the generation context to robustly anchor the objects in their desired positions, and Identity Consistency Attention (ICA), an innovative attention mechanism that leverages contextual reference images to ensure the identity consistency of multiple instances. Recognizing the lack of large-scale, hierarchically-structured datasets for this task, we introduce IMIG-100K, the first dataset with detailed layout and identity annotations. Extensive experiments demonstrate that ContextGen sets a new state-of-the-art, outperforming existing methods in control precision, identity fidelity, and overall visual quality.