摘要

身份一致性生成已成为文本到图像研究中的重要方向，近年来的模型在生成与参考身份一致的图像方面取得了显著进展。然而，由于包含同一人物多张图像的大规模成对数据集稀缺，大多数方法不得不采用基于重建的训练策略。这种依赖往往导致一种我们称之为“复制粘贴”（copy-paste）的失效模式：模型并非在姿态、表情或光照等自然变化下保持身份一致性，而是直接复制参考人脸。这种过度相似性严重削弱了生成过程的可控性，并限制了生成结果的表现力。为解决上述问题，本文提出三项关键贡献：（1）构建了一个大规模成对数据集 MultiID-2M，专为多人物场景设计，为每个身份提供多样化的参考图像；（2）提出一个基准评测体系，能够量化“复制粘贴”伪影，并衡量身份保真度与变化多样性之间的权衡；（3）提出一种新颖的训练范式，引入对比身份损失（contrastive identity loss），充分利用成对数据，在身份保真度与生成多样性之间实现良好平衡。上述工作最终催生了 WithAnyone——一种基于扩散模型的生成方法，能够有效缓解“复制粘贴”问题，同时保持高程度的身份相似性。大量定性与定量实验表明，WithAnyone显著减少了“复制粘贴”伪影，提升了对姿态与表情的可控性，并维持了优异的视觉感知质量。用户研究进一步验证了本方法在保持高身份保真度的同时，实现了富有表现力且可控的图像生成。