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

定制化图像生成旨在合成具有一致特征的图像，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，以往的方法在保留高保真度一致性方面遇到了挑战，这是由于特征提取不足和参考角色概念混淆所致。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，确保高保真度一致性。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减轻概念混淆。进行了大量实验来验证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实现了一致角色生成的最新性能，提高了24.8%。

本论文旨在解决定制图像生成中的一个重要问题：如何保持高度一致性的角色特征，以确保高保真度的一致性？此问题在以往的方法中遇到了挑战，因为特征提取不足和参考角色的概念混淆。

论文提出了一种名为Character-Adapter的插件式框架，旨在生成保留参考角色细节的图像，以确保高保真度的一致性。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，并使用动态区域级适配器来减轻概念混淆。

论文通过大量实验证明了Character-Adapter的有效性，包括定量和定性结果。与其他方法相比，Character-Adapter的一致性角色生成性能提高了24.8％。此外，论文还使用了多个数据集进行实验，并提供了开源代码。

最近的相关研究包括：《Generative Adversarial Networks》、《Progressive Growing of GANs for Improved Quality, Stability, and Variation》、《A Style-Based Generator Architecture for Generative Adversarial Networks》等。