Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2506.21416

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2506.21416 (cs)
[提交于 2025年6月26日 ]

标题: XVerse:通过DiT调制实现身份和语义属性的一致多主体控制

标题: XVerse: Consistent Multi-Subject Control of Identity and Semantic Attributes via DiT Modulation

Authors:Bowen Chen, Mengyi Zhao, Haomiao Sun, Li Chen, Xu Wang, Kang Du, Xinglong Wu
摘要: 在文本到图像生成中,对主体身份和语义属性(姿态、风格、光照)实现细粒度控制,尤其是对于多个主体,通常会损害扩散变换器(DiTs)的可编辑性和连贯性。 许多方法会引入伪影或遭受属性纠缠。 为克服这些挑战,我们提出了一种新颖的多主体可控生成模型 XVerse。 通过将参考图像转换为针对特定标记的文本流调制偏移量,XVerse 允许对特定主体进行精确且独立的控制,而不会干扰图像潜在表示或特征。 因此,XVerse 提供了高保真、可编辑的多主体图像合成,并对每个主体的特性及语义属性具有强大的控制能力。 这一进展显著提升了个性化和复杂场景的生成能力。
摘要: Achieving fine-grained control over subject identity and semantic attributes (pose, style, lighting) in text-to-image generation, particularly for multiple subjects, often undermines the editability and coherence of Diffusion Transformers (DiTs). Many approaches introduce artifacts or suffer from attribute entanglement. To overcome these challenges, we propose a novel multi-subject controlled generation model XVerse. By transforming reference images into offsets for token-specific text-stream modulation, XVerse allows for precise and independent control for specific subject without disrupting image latents or features. Consequently, XVerse offers high-fidelity, editable multi-subject image synthesis with robust control over individual subject characteristics and semantic attributes. This advancement significantly improves personalized and complex scene generation capabilities.
评论: 项目页面:https://bytedance.github.io/XVerse GitHub链接:https://github.com/bytedance/XVerse
主题: 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2506.21416 [cs.CV]
  (或者 arXiv:2506.21416v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2506.21416
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Haomiao Sun [查看电子邮件]
[v1] 星期四, 2025 年 6 月 26 日 16:04:16 UTC (16,514 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-06
切换浏览方式为:
cs

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号