Scone: Объединение композиции и различий в управляемой субъектом генерации изображений через унифицированное моделирование "понимание-генерация"

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

December 14, 2025

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

cs.AI

Аннотация

Генерация изображений на основе объектов продвинулась от композиции с одним объектом до многокомпонентной композиции, однако при этом игнорировалась различимость — способность идентифицировать и генерировать правильный объект, когда входные данные содержат несколько кандидатов. Это ограничение снижает эффективность в сложных реалистичных визуальных сценариях. Мы предлагаем Scone — унифицированный метод понимания-генерации, интегрирующий композицию и различимость. Scone позволяет эксперту понимания выступать в роли семантического моста, передавая семантическую информацию и направляя эксперта генерации для сохранения идентичности объекта при минимизации интерференции. Двухэтапная схема обучения сначала осваивает композицию, а затем усиливает различимость через семантическое выравнивание и маскирование на основе внимания. Мы также представляем SconeEval — эталонный набор для оценки как композиции, так и различимости в различных сценариях. Эксперименты показывают, что Scone превосходит существующие модели с открытым исходным кодом в задачах композиции и различения на двух эталонных тестах. Наша модель, эталонный набор и данные обучения доступны по адресу: 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.