FlexIP: Control Dinámico de Preservación y Personalidad para la Generación Personalizada de Imágenes

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

April 10, 2025

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

cs.AI

Resumen

Con el rápido avance de los modelos generativos 2D, preservar la identidad del sujeto mientras se habilita una edición diversa se ha convertido en un enfoque de investigación crítico. Los métodos existentes suelen enfrentar compromisos inherentes entre la preservación de la identidad y la manipulación personalizada. Presentamos FlexIP, un marco novedoso que desacopla estos objetivos mediante dos componentes dedicados: un Adaptador de Personalización para la manipulación estilística y un Adaptador de Preservación para el mantenimiento de la identidad. Al inyectar explícitamente ambos mecanismos de control en el modelo generativo, nuestro marco permite un control parametrizado flexible durante la inferencia a través de la sintonización dinámica del adaptador de pesos. Los resultados experimentales demuestran que nuestro enfoque supera las limitaciones de rendimiento de los métodos convencionales, logrando una preservación de la identidad superior al mismo tiempo que admite capacidades de generación personalizada más diversas (Página del Proyecto: 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/).