RectifID: Personalizing Rectified Flow with Anchored Classifier Guidance

将扩散模型定制化以生成保留用户提供的参考图像身份的图像是一个有趣的新问题。目前的方法通常需要对大量特定领域的图像进行训练，以实现身份保留，这在不同用例之间缺乏灵活性。为解决这个问题，我们利用分类器指导，这是一种无需训练的技术，利用现有分类器引导扩散模型进行个性化图像生成。我们的研究表明，基于最近的修正流框架，普通分类器指导的主要限制，在于需要一个特殊的分类器，可以通过一个简单的固定点解决方案来解决，从而允许使用现成的图像鉴别器进行灵活的个性化。此外，当锚定到参考流轨迹时，其求解过程被证明是稳定的，并具有收敛保证。所得方法在不同的现成图像鉴别器上实现了修正流，并为人脸、实时主体和某些对象提供了有利的个性化结果。代码可在https://github.com/feifeiobama/RectifID上找到。

本论文旨在解决个性化图像生成中的身份保护问题，避免传统方法需要对特定领域的大量图像进行训练的不足，提出了一种使用现有分类器的训练无需技术，以实现个性化图像生成。

本文提出了一种基于修正流框架的分类器引导方法，通过简单的固定点解决方案，无需特殊分类器即可实现灵活的个性化图像生成，并证明其解决过程在参考流轨迹的锚定下是稳定的，具有收敛保证。

论文设计了实验来展示该方法在人脸、真人和某些物体上的优越个性化结果，使用了不同的现成图像鉴别器，代码已开源。该方法具有良好的灵活性和稳定性，值得进一步深入研究。

最近的相关研究包括使用GAN的个性化图像生成，如“Towards Personalized and Domain-Aware GANs”，以及使用对比学习的身份保护方法，如“Learning to Contrast the Brightness for Identity Protection in Face Recognition”。