FlexIP: Dynamische controle van behoud en persoonlijkheid voor gepersonaliseerde beeldgeneratie

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

Samenvatting

Met de snelle vooruitgang van 2D-generatieve modellen is het behouden van subjectidentiteit terwijl diverse bewerkingen mogelijk worden gemaakt, een cruciaal onderzoeksfocus geworden. Bestaande methoden kampen doorgaans met inherente afwegingen tussen identiteitsbehoud en gepersonaliseerde manipulatie. Wij introduceren FlexIP, een nieuw raamwerk dat deze doelstellingen ontkoppelt via twee toegewijde componenten: een Personalisatie Adapter voor stilistische manipulatie en een Behoud Adapter voor identiteitsbehoud. Door beide controlemechanismen expliciet in het generatieve model te injecteren, maakt ons raamwerk flexibele geparametriseerde controle mogelijk tijdens inferentie door dynamische afstemming van de gewichtsadapter. Experimentele resultaten tonen aan dat onze aanpak de prestatiebeperkingen van conventionele methoden doorbreekt, waarbij superieur identiteitsbehoud wordt bereikt terwijl meer diverse gepersonaliseerde generatiemogelijkheden worden ondersteund (Projectpagina: 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/).