Personalized Image Generation with Deep Generative Models: A Decade Survey

近期生成模型的进展显著推动了个性化内容创作的发展。给定一小组具有用户特定概念的图像，个性化的图像生成可以创建融合这些特定概念并符合所提供文本描述的图像。由于其在内容创作中的广泛应用，近年来该领域投入了大量的研究精力。然而，随着生成模型的发展，用于个性化的技术也在演变，它们有着各自独特且相互关联的组件。在这篇综述中，我们对各种生成模型（包括传统的GANs、现代的文本到图像扩散模型以及新兴的多模态自回归模型）中的广义个性化图像生成进行了全面回顾。我们首先定义了一个统一框架，以标准化不同生成模型中的个性化过程，该框架涵盖三个关键组件，即反转空间、反转方法和个人化方案。这一统一框架为剖析和比较不同生成架构中的个性化技术提供了一种结构化的方法。基于这个统一框架，我们进一步深入分析了每个生成模型中的个性化技术，突出了它们的独特贡献和创新点。通过比较分析，本综述阐明了个性化图像生成的当前格局，识别了现有方法中的共性和区别特征。最后，我们讨论了该领域的开放性挑战，并提出了未来研究的潜在方向。我们持续跟踪相关工作，详情请见 https://github.com/csyxwei/Awesome-Personalized-Image-Generation。

该论文试图解决个性化图像生成的问题，特别是如何在不同类型的生成模型中实现统一的个性化过程。这并不是一个全新的问题，但该研究旨在通过提出一个标准化框架来改进现有方法，以更好地整合和比较不同的生成模型。

关键思路在于提出了一个统一框架，该框架涵盖了三个核心组件：反转空间、反转方法和个人化方案。这个框架使得研究人员可以在不同的生成模型（如传统GANs、现代文本到图像扩散模型和新兴的多模态自回归模型）之间进行结构化的对比和分析。这种统一的方法为理解个人化技术提供了新的视角，并促进了不同模型之间的互操作性。

论文的重要亮点包括对各种生成模型的深入分析，强调了每种模型的独特贡献和创新点。此外，作者还讨论了当前领域面临的挑战，并提出了未来的研究方向。值得注意的是，作者维护了一个GitHub仓库，持续追踪相关工作，这为后续研究提供了宝贵的资源。实验设计上，虽然具体细节未详述，但显然涉及多种生成模型的性能评估。代码是否开源未明确提及，但通过GitHub链接可以获取更多信息。

近年来，在个性化图像生成方面有大量相关研究。例如，《Zero-Shot Text-to-Image Generation》探讨了无需训练即可生成图像的技术；《StyleGAN2: Analyzing and Improving the Image Quality of StyleGAN》则专注于提升图像质量；《DALL·E: Creating Images from Text》介绍了基于文本生成高质量图像的方法。这些研究共同推动了个性化图像生成的发展。