好消息！好消息～ 欢迎科研团队供稿 免费分享学术、项目成果 当前基于学习的主题定制方法，主要依赖于U-Net架构，存在泛化能力有限和图像质量降低的问题。与此同时，基于优化的方法需要针对特定主题进行微调，这不可避免地会削弱文本控制能力。为了解决这些挑战，腾讯提出了InstantCharacter—一个基于扩散变压器（diffusion transformer）的可扩展角色定制框架。（链接在文章底部，可在线体验） InstantCharacter能够实现跨多样角色外观、姿势和风格的开放域个性化，同时保持高保真度的结果。InstantCharacter基于强大的FLUX1.0-dev模型实现，具有三大优势：一是实现了跨多种角色外观、姿势和风格的开放域个性化，同时保持高保真度；二是开发了可扩展的适配器架构，能有效处理角色特征并与扩散变压器潜在空间交互；三是通过三阶段训练方法，结合千万级数据集，优化角色一致性和文本控制。 01 技术原理 现代扩散变压器（DiTs）相比传统的基于UNet的架构，展现了前所未有的保真度和能力，为生成和编辑任务提供了更强大的基础。然而，现有方法主要基于UNet，在角色一致性和图像保真度之间存在基本的权衡，限制了其在开放域角色中的泛化能力。此外，先前的研究尚未成功验证在大规模扩散变压器（例如120亿参数）上的角色定制，导致该领域存在显著空白。通过灵活的适配器设计和阶段性学习策略的协同作用，增强了通用角色定制能力，同时最大限度地保留了基础DiT模型的生成先验。
InstantCharacter框架将可扩展的适配器与预训练的DiT模型无缝集成。适配器由多个堆叠的变压器编码器组成，逐步优化角色表示，能够有效地与DiT的潜在空间进行交互。训练过程采用三阶段渐进策略，首先进行未配对的低分辨率预训练，最终进行配对的高分辨率微调。
02 对比与演示效果 InstantCharacter与最先进的基于FLUX的方法进行了定性比较：OminiControl、EasyControl、ACE+ 和 UNO；以及大型多模态模型GPT4o。为了评估，收集了一组训练数据中未出现的开放域角色图像。分析表明，现有方法存在局限性：OminiControl和EasyControl未能保持角色身份特征，ACE++仅在简单场景中保持部分特征，而在处理动作导向的提示时表现不佳。UNO过度保持一致性，导致行动和背景的可编辑性降低。 值得注意的是，与当前的SoTA方法GPT4o取得了相当的结果，尽管GPT4o并未开源。相比之下，InstantCharacter始终表现最佳。具体而言，InstantCharacter在高保真度的同时，能够优越地保持角色细节，并精确地控制文本，即使在复杂的动作提示下也是如此。 欢迎交流～，带你学习AI，了解AI |
