Character-Adapter: Prompt-Guided Region Control for High-Fidelity Character Customization

定制图像生成是一种旨在合成具有一致性特征的图像的技术，对于故事叙述、肖像生成和角色设计等应用具有重要意义。然而，由于特征提取不足和参考角色概念混淆等原因，以往的方法在保持高保真一致性方面遇到了挑战。因此，我们提出了Character-Adapter，这是一个即插即用的框架，旨在生成保留参考角色细节的图像，确保高保真一致性。Character-Adapter采用提示引导分割来确保参考角色的细粒度区域特征，并采用动态区域级适配器来缓解概念混淆。我们进行了广泛的实验来验证Character-Adapter的有效性。定量和定性结果都表明，与其他方法相比，Character-Adapter实现了一致性角色生成的最新性能，提高了24.8%。我们的代码将在https://github.com/Character-Adapter/Character-Adapte上发布。

论文旨在解决定制图像生成中的一致性角色保留问题，通过提出 Character-Adapter 框架来解决该问题。

Character-Adapter 框架采用 prompt-guided segmentation 和动态区域级别适配器来解决特征提取不足和参考角色概念混淆的问题。

论文通过大量实验验证了 Character-Adapter 框架的有效性，并展示了其与其他方法相比的优越性，实验数据和代码已经开源。

与此相关的研究包括：《Generative Adversarial Networks》、《Progressive Growing of GANs for Improved Quality, Stability, and Variation》等。