FlexIP: 맞춤형 이미지 생성을 위한 보존성과 개성의 동적 제어

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

April 10, 2025

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

cs.AI

초록

2D 생성 모델의 급속한 발전과 함께, 주체의 정체성을 보존하면서 다양한 편집을 가능하게 하는 것이 중요한 연구 주제로 부각되고 있습니다. 기존 방법들은 일반적으로 정체성 보존과 개인화된 조작 사이의 본질적인 트레이드오프에 직면해 있습니다. 우리는 이러한 목표를 두 가지 전용 구성 요소로 분리하는 새로운 프레임워크인 FlexIP를 소개합니다: 스타일리시한 조작을 위한 개인화 어댑터(Personalization Adapter)와 정체성 유지를 위한 보존 어댑터(Preservation Adapter). 생성 모델에 이러한 두 가지 제어 메커니즘을 명시적으로 주입함으로써, 우리의 프레임워크는 가중치 어댑터의 동적 조정을 통해 추론 과정에서 유연한 매개변수화된 제어를 가능하게 합니다. 실험 결과는 우리의 접근 방식이 기존 방법의 성능 한계를 돌파하며, 우수한 정체성 보존을 달성함과 동시에 더 다양한 개인화된 생성 기능을 지원함을 보여줍니다 (프로젝트 페이지: 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/).