MOSAIC: Geração Personalizada Multiassunto via Alinhamento e Desagregação Conscientes da Correspondência

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

September 2, 2025

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

cs.AI

Resumo

A geração personalizada de múltiplos sujeitos apresenta desafios únicos na manutenção da fidelidade de identidade e coerência semântica ao sintetizar imagens condicionadas a múltiplos sujeitos de referência. Os métodos existentes frequentemente sofrem com a mistura de identidades e vazamento de atributos devido à modelagem inadequada de como diferentes sujeitos devem interagir em espaços de representação compartilhados. Apresentamos o MOSAIC, uma estrutura centrada em representação que repensa a geração de múltiplos sujeitos por meio de correspondência semântica explícita e desembaraço ortogonal de características. Nossa principal percepção é que a geração de múltiplos sujeitos requer alinhamento semântico preciso no nível da representação — saber exatamente quais regiões na imagem gerada devem atender a quais partes de cada referência. Para habilitar isso, introduzimos o SemAlign-MS, um conjunto de dados meticulosamente anotado que fornece correspondências semânticas refinadas entre múltiplos sujeitos de referência e imagens-alvo, anteriormente indisponível nesse domínio. Com base nessa fundação, propomos a perda de atenção por correspondência semântica para impor alinhamento semântico ponto a ponto preciso, garantindo alta consistência de cada referência para suas regiões designadas. Além disso, desenvolvemos a perda de desembaraço de múltiplas referências para empurrar diferentes sujeitos para subespaços de atenção ortogonais, prevenindo interferência de características enquanto preserva características individuais de identidade. Experimentos extensivos demonstram que o MOSAIC alcança desempenho de ponta em múltiplos benchmarks. Notavelmente, enquanto os métodos existentes tipicamente degradam além de 3 sujeitos, o MOSAIC mantém alta fidelidade com 4+ sujeitos de referência, abrindo novas possibilidades para aplicações complexas de síntese de múltiplos sujeitos.

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.