MOSAIC: Generazione Personalizzata Multi-Soggetto tramite Allineamento e Disaccoppiamento Consapevole delle Corrispondenze

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

September 2, 2025

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

cs.AI

Abstract

La generazione personalizzata multi-soggetto presenta sfide uniche nel mantenere la fedeltà dell'identità e la coerenza semantica durante la sintesi di immagini condizionate su più soggetti di riferimento. I metodi esistenti spesso soffrono di fusione delle identità e dispersione degli attributi a causa di una modellazione inadeguata di come i diversi soggetti dovrebbero interagire all'interno di spazi di rappresentazione condivisi. Presentiamo MOSAIC, un framework centrato sulla rappresentazione che ripensa la generazione multi-soggetto attraverso corrispondenze semantiche esplicite e la separazione ortogonale delle caratteristiche. La nostra intuizione chiave è che la generazione multi-soggetto richiede un allineamento semantico preciso a livello di rappresentazione - sapere esattamente quali regioni nell'immagine generata dovrebbero fare riferimento a quali parti di ciascun riferimento. Per abilitare ciò, introduciamo SemAlign-MS, un dataset meticolosamente annotato che fornisce corrispondenze semantiche granulari tra più soggetti di riferimento e immagini target, precedentemente non disponibile in questo dominio. Basandoci su questa fondazione, proponiamo la perdita di attenzione per la corrispondenza semantica per imporre un allineamento semantico punto a punto preciso, garantendo un'elevata coerenza da ciascun riferimento alle sue regioni designate. Inoltre, sviluppiamo la perdita di separazione multi-riferimento per spingere i diversi soggetti in sottospazi di attenzione ortogonali, prevenendo l'interferenza delle caratteristiche preservando le caratteristiche individuali dell'identità. Esperimenti estensivi dimostrano che MOSAIC raggiunge prestazioni all'avanguardia su più benchmark. In particolare, mentre i metodi esistenti tipicamente si degradano oltre 3 soggetti, MOSAIC mantiene un'elevata fedeltà con 4+ soggetti di riferimento, aprendo nuove possibilità per applicazioni complesse di sintesi multi-soggetto.

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.