正所谓发现问题，比处治问题更紧要。

WithAnyone 的研讨团队恰是发现了这一问题：AI 东说念主像生成，生成得越来越像，以至过于地像了 — 不异度以至远广漠于团结个东说念主的不同真实相片！正所谓有过之而无不足，这就是他们要处治的问题。

要量化这个问题，团队领先建议了MultiID-Bench，与配套的“复制粘贴 “方针。

他们把 “生成界限到参考输入的距离” 减去 “生成界限到标的输出的距离” 行动复制粘贴的经营，并发现刻下的各式设施，落入了一个越像，就越复制粘贴的魔咒：他们了了地酿成了一条拟合直线。

为了突破这个魔咒，研讨团队直面最骨子的问题：数据与老师。

以往的 AI 个性化生成，由于团结个东说念主的多视角数据阑珊，频频遴荐 “重建” 的老师决策：参考输入图，亦然监督标的。而 WithAnyone 的研讨团队则汇集了一个五十万张多东说念主合照，并为每张上的每个东说念主，配了上百张不同角度、式样、光照的参考图！另外还有百万张未配对的合照，也一同并入了老师数据。

此次的开源真实很重磅，模子、Benchmark、数据集，三花聚鼎。

有了如斯强悍的老师数据，便可定制化老师历程。研讨团队先是通过传统重建老师，老师出坚决的基本智力，再通过成对数据老师，与高质料数据微调，最终得到当今 WithAnyone 模子。

虽然，模子结构和老师标的上都有要害更正，咱们转头了一下重点：

参考图像编码双通说念：每个参考通过东说念主脸识别采集（得到身份判别向量）与通用图像编码器（拿获中层视觉特征）分袂编码；东说念主脸镶嵌仅作用于对应东说念主脸区域，幸免跨脸信息透露。对比式学习：把 “正确的同孤单份但立场 / 姿态不同的样本” 拉近，把 “不同身份的样本” 推远；通过大都负样本，模子学到 “识别团结东说念主而非重迭一张脸的智力”。度量与优化标的：除了常用的扩散 / 重构亏损外，加入 ID-contrastive 与对都到 ground-truth 的 ID 亏损，均衡 “不异” 与 “变化” 的张力。