FlexIP: Controllo Dinamico della Conservazione e della Personalità per la Generazione Personalizzata di Immagini

FlexIP: Dynamic Control of Preservation and Personality for Customized Image Generation

April 10, 2025

Autori: Linyan Huang, Haonan Lin, Yanning Zhou, Kaiwen Xiao

cs.AI

Abstract

Con il rapido progresso dei modelli generativi 2D, la preservazione dell'identità del soggetto abilitando al contempo modifiche diversificate è emersa come un focus di ricerca critico. I metodi esistenti tipicamente affrontano compromessi intrinseci tra la preservazione dell'identità e la manipolazione personalizzata. Introduciamo FlexIP, un nuovo framework che disaccoppia questi obiettivi attraverso due componenti dedicate: un Adattatore di Personalizzazione per la manipolazione stilistica e un Adattatore di Preservazione per il mantenimento dell'identità. Iniettando esplicitamente entrambi i meccanismi di controllo nel modello generativo, il nostro framework abilita un controllo parametrico flessibile durante l'inferenza attraverso la regolazione dinamica dell'adattatore dei pesi. I risultati sperimentali dimostrano che il nostro approccio supera i limiti di prestazione dei metodi convenzionali, raggiungendo una preservazione dell'identità superiore mentre supporta capacità di generazione personalizzata più diversificate (Pagina del Progetto: 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/).