arXiv · AI· Shuhong Zheng, Aashish Kumar Misraa, Yu-Teng Li, Yu-Jhe Li, Igor Gilitschenski·· 10 天前AI 评分32
NeurIPS 2026论文提出基于MLLM与VAE的条件扩散模型,优化主体驱动图像生成
Squeezing Capacity from Multimodal Large Language Models for Subject-driven Generation
AI 导读
该研究针对现有方法在主体驱动生成中存在的跨模态推理局限及复制粘贴伪影问题,提出条件化扩散模型框架。模型联合编码文本与参考图像,并引入VAE身份条件及双层聚合模块,通过多阶段去噪平衡语义与细节。 实验显示该方法在人工偏好上取得优越性能,有效协调多模态理解与身份保持。
来源:arXiv · AI · arxiv.org