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，原因是特征提取不足和参考角色概念混淆。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，并使用动态区域级适配器来缓解概念混淆。进行了大量实验来验证Character-Adapter的有效性。定量和定性结果均表明，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％。我们的代码将在https://github.com/Character-Adapter/Character-Adapter上发布。

该论文旨在解决定制图像生成中的一致性问题，尤其是在保留参考角色细节方面存在挑战的问题。

论文提出了一种名为Character-Adapter的插件式框架，通过使用提示引导分割和动态区域级适配器，实现了生成保留参考角色细节的图像。

论文通过大量实验验证了Character-Adapter的有效性，并展示了其与其他方法相比的优势。论文提供了开源代码，并探讨了未来进一步研究的方向。

在定制图像生成领域，还有一些相关研究，如《Generative Adversarial Networks》、《Progressive Growing of GANs for Improved Quality, Stability, and Variation》等。