FlexIP : Contrôle dynamique de la préservation et de la personnalité pour une génération d'images personnalisée

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

April 10, 2025

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

cs.AI

Résumé

Avec les progrès rapides des modèles génératifs 2D, la préservation de l'identité du sujet tout en permettant des modifications diversifiées est devenue un axe de recherche crucial. Les méthodes existantes se heurtent généralement à des compromis inhérents entre la préservation de l'identité et la manipulation personnalisée. Nous présentons FlexIP, un nouveau cadre qui découple ces objectifs grâce à deux composants dédiés : un Adaptateur de Personnalisation pour la manipulation stylistique et un Adaptateur de Préservation pour le maintien de l'identité. En injectant explicitement ces deux mécanismes de contrôle dans le modèle génératif, notre cadre permet un contrôle paramétré flexible lors de l'inférence grâce à un réglage dynamique de l'adaptateur de poids. Les résultats expérimentaux montrent que notre approche dépasse les limitations de performance des méthodes conventionnelles, offrant une préservation supérieure de l'identité tout en supportant des capacités de génération personnalisée plus diversifiées (Page du projet : 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/).