可媲美GPT-4o的開源圖像生成框架來了！騰訊聯(lián)手InstantX解決角色一致性難題

鷺羽 2025-04-25 16:40:25 來源：量子位

InstantCharacter 投稿
量子位 | 公眾號 QbitAI

GPT-4o帶火的漫畫風角色生成，現(xiàn)在有了開源版啦！

騰訊混元攜手InstantX團隊合作打破次元壁，開源定制化角色生成插件——InstantCharacter。

以往針對角色驅(qū)動的圖像生成方法，都存在一定的缺陷。

例如，基于適配器的方案雖然基本實現(xiàn)主體一致和文本可控，但在泛化性、姿勢變化和風格轉(zhuǎn)換的開放域角色方面仍然存在困難?；谖⒄{(diào)則需對模型進行重新訓(xùn)練，從而浪費過長的時間。更不必說，費用高昂的推理時間的微調(diào)。

而現(xiàn)在這個插件基于DiTs（Diffusion Transformers），能在保證推理效率和文本可編輯性的同時，完美實現(xiàn)角色個性化創(chuàng)作。

那么一起看看它具體是如何實現(xiàn)的？

方法介紹

現(xiàn)代 DiTs與傳統(tǒng)的UNet架構(gòu)相比，展現(xiàn)出前所未有的保真度和容量，為生成和編輯任務(wù)提供了更強大的基礎(chǔ)?；诖?，InstantCharacter擴展了DiT，從而用于強泛化性和高保真的角色驅(qū)動圖像生成。

InstantCharacter的架構(gòu)圍繞兩個關(guān)鍵創(chuàng)新展開：

1.可擴展適配器 ：開發(fā)了一個可擴展的適配器模塊，有效解析角色特征并與DiTs潛在空間無縫交互。
2.漸進訓(xùn)練策略：設(shè)計了一個漸進式三階段訓(xùn)練策略，以適應(yīng)收集的多功能數(shù)據(jù)集，使角色一致性和文本可編輯性的分開訓(xùn)練成為可能。

可擴展的適配器設(shè)計

傳統(tǒng)的定制適配器，例如IPAdapter或ReferenceNet，在DiT架構(gòu)中往往失效，因為它們是專為基于U-Net的模型設(shè)計的，缺乏可擴展性。

為了更好地適應(yīng)DiT模型，研究員提出了一種可擴展的full-transformer適配器，它作為角色圖像與基礎(chǔ)模型潛在生成空間之間的關(guān)鍵連接，通過增加層深度和隱藏特征尺寸實現(xiàn)可擴展性。

該適配器由三個編碼器塊組成：

1.通用視覺編碼器：
首先利用預(yù)訓(xùn)練的大型視覺基礎(chǔ)編碼器來提取通用角色特征，從它們的開放域識別能力中受益。

以前的方法通常依賴于CLIP，因為它對齊了視覺和文本特征。然而，雖然CLIP能夠捕捉抽象的語義信息，但它往往會丟失對維持角色一致性至關(guān)重要的詳細紋理信息。為此，研究者用SigLIP替代CLIP，SigLIP在捕捉更細粒度的角色信息方面表現(xiàn)出色。

此外，引入DINOv2作為另一個圖像編碼器來增強特征的穩(wěn)健性，減少背景或其他干擾因素導(dǎo)致的特征損失。

最后，通過在通道維度的拼接整合DINOv2和SigLIP特征，從而獲得更全面的開放域角色表示。

2.中間編碼器：
由于SigLIP和DINOv2是在相對較低的384分辨率下預(yù)訓(xùn)練和推理的，在處理高分辨率角色圖像時，通用視覺編碼器的原始輸出可能會丟失細粒度特征。為了緩解這個問題，采用雙流特征融合策略分別探索低級特征（low-level features）和區(qū)域級特征（region-level features）。

首先，直接從通用視覺編碼器的淺層提取low-level features，捕捉在更高層次中常常丟失的細節(jié)。

其次，將參考圖像分割成多個不重疊的區(qū)塊，并將每個區(qū)塊輸入視覺編碼器以獲取region-level features。

然后，這兩種不同的特征流通過專用的中間transformer編碼器進行分層整合。具體來說，每個特征路徑都由獨立的transformer編碼器單獨處理，以與高級語義特征整合。隨后，來自兩個路徑的精煉特征沿著token維度連接，從而建立一個全面的融合表示，捕捉多層次的互補信息。

3.投影頭：
最后，精煉的角色特征通過投影頭投射到去噪過程，并與潛在噪聲交互。通過時間步感知的Q-former實現(xiàn)這一點，它將中間編碼器輸出作為鍵值對處理，同時通過注意力機制動態(tài)更新一組可學(xué)習的查詢向量。轉(zhuǎn)換后的查詢特征隨后通過可學(xué)習的交叉注意力層注入去噪空間。最終，適配器可以實現(xiàn)強身份保持和復(fù)雜文本驅(qū)動的靈活適應(yīng)。

訓(xùn)練策略

為了有效訓(xùn)練該框架，研究者首先精心構(gòu)建了一個高質(zhì)量的數(shù)據(jù)集，包含1000萬張多樣化的全身人類/角色圖像，包括用于學(xué)習角色一致性的配對圖像和用于實現(xiàn)精確文本到圖像對齊的非配對數(shù)據(jù)集。

其次，精細設(shè)計了訓(xùn)練方案，以優(yōu)化角色一致性、文本可控性和視覺保真度。為了實現(xiàn)角色一致性，首先使用未配對數(shù)據(jù)進行訓(xùn)練，其中角色圖像作為參考引導(dǎo)進行自重建，以保持結(jié)構(gòu)一致性。同時研究發(fā)現(xiàn)使用512的分辨率比1024更為高效。

在第二階段，繼續(xù)以低分辨率（512）進行訓(xùn)練，但切換到配對訓(xùn)練數(shù)據(jù)。為生成不同動作、姿勢和風格的角色圖像，研究者通過將角色圖像作為輸入，生成新場景中的角色。這個訓(xùn)練階段有效消除了復(fù)制粘貼效應(yīng)，增強了文本可控性，確保生成的圖像準確遵循文本條件。

最后一個階段涉及使用配對和非配對圖像進行高分辨率聯(lián)合訓(xùn)練。團隊發(fā)現(xiàn)有限數(shù)量的高分辨率訓(xùn)練迭代可以顯著提高圖像的視覺質(zhì)量和紋理。這一階段利用了高質(zhì)量圖像實現(xiàn)高保真和文本可控的角色圖像。

實驗結(jié)果

作者對基于FLUX的先進方法進行定性比較：OminiControl、EasyControl、ACE+和UNO；以及大型多模態(tài)模型GPT4o。為了評估，作者收集了一組不存在于訓(xùn)練數(shù)據(jù)中的開放域角色圖像。

現(xiàn)有方法存在局限性：OminiControl和EasyControl無法保留角色身份特征，而ACE++僅在簡單場景中保持部分特征，但在面對動作導(dǎo)向的提示時表現(xiàn)不佳。UNO過度保持一致性，這降低了動作和背景的可編輯性?？梢钥吹?，InstantCharacter達到了與GPT4o相當?shù)慕Y(jié)果，但它不是開源的。

相比之下，InstantCharacter始終表現(xiàn)最佳。具體而言，InstantCharacter在保持精確的文本可控性的同時，實現(xiàn)了更出色的角色細節(jié)保留和高保真度，即使是針對復(fù)雜的動作提示。

InstantCharacter還可以通過引入不同的風格loras來實現(xiàn)靈活的角色風格化。如圖所示，InstantCharacter可以在吉卜力和Makoto風格之間切換，同時不影響角色一致性和文本可編輯性。然而，Jimeng和GPT4o很難靈活地保持這些風格。

本文插件代碼及項目均已開源，鼓勵更多的人積極參與相關(guān)工作探討。

論文地址：
https://arxiv.org/abs/2504.12395
代碼地址：
https://github.com/Tencent/InstantCharacter
項目地址：
https://instantcharacter.github.io/