Scone: Overbrugging van Compositie en Onderscheid in Onderwerpgestuurde Beeldgeneratie via Geïntegreerd Begrips- en Generatiemodelleren

Scone: Bridging Composition and Distinction in Subject-Driven Image Generation via Unified Understanding-Generation Modeling

December 14, 2025

Auteurs: Yuran Wang, Bohan Zeng, Chengzhuo Tong, Wenxuan Liu, Yang Shi, Xiaochen Ma, Hao Liang, Yuanxing Zhang, Wentao Zhang

cs.AI

Samenvatting

Onderwerpgestuurde beeldgeneratie is geëvolueerd van compositie met één onderwerp naar compositie met meerdere onderwerpen, maar heeft hierbij distinctie verwaarloosd – het vermogen om het juiste onderwerp te identificeren en genereren wanneer invoer meerdere kandidaten bevat. Deze beperking vermindert de effectiviteit in complexe, realistische visuele omgevingen. Wij stellen Scone voor, een uniforme begrips-generatiemethode die compositie en distinctie integreert. Scone stelt de begripsexpert in staat om als semantische brug te fungeren, die semantische informatie overdraagt en de generatie-expert aanstuurt om subjectidentiteit te behouden terwijl interferentie wordt geminimaliseerd. Een tweefasen-trainingsschema leert eerst compositie, waarna distinctie wordt verbeterd door semantische uitlijning en op aandacht gebaseerd maskeren. Wij introduceren tevens SconeEval, een benchmark voor de evaluatie van zowel compositie als distinctie in diverse scenario's. Experimenten tonen aan dat Scone bestaande open-source modellen overtreft in compositie- en distinctietaken op twee benchmarks. Ons model, benchmark en trainingsgegevens zijn beschikbaar op: https://github.com/Ryann-Ran/Scone.

English

Subject-driven image generation has advanced from single- to multi-subject composition, while neglecting distinction, the ability to identify and generate the correct subject when inputs contain multiple candidates. This limitation restricts effectiveness in complex, realistic visual settings. We propose Scone, a unified understanding-generation method that integrates composition and distinction. Scone enables the understanding expert to act as a semantic bridge, conveying semantic information and guiding the generation expert to preserve subject identity while minimizing interference. A two-stage training scheme first learns composition, then enhances distinction through semantic alignment and attention-based masking. We also introduce SconeEval, a benchmark for evaluating both composition and distinction across diverse scenarios. Experiments demonstrate that Scone outperforms existing open-source models in composition and distinction tasks on two benchmarks. Our model, benchmark, and training data are available at: https://github.com/Ryann-Ran/Scone.