MUSAR：通过注意力路由从单主体数据集探索多主体定制

当前的多主体定制方法面临两个关键挑战：获取多样化多主体训练数据的困难，以及不同主体之间的属性纠缠。为了弥合这些差距，我们提出了 MUSAR——一个简单而有效的框架，它仅需要单主体训练数据即可实现鲁棒的多主体定制。首先，为了突破数据限制，我们引入了去偏双联画学习。它从单主体图像构建双联画训练对，以促进多主体学习，同时通过静态注意力路由和双分支 LoRA 主动纠正双联画构建引入的分布偏差。其次，为了消除跨主体的纠缠，我们引入了动态注意力路由机制，该机制自适应地在生成图像和条件主体之间建立双射映射。这种设计不仅实现了多主体表示的解耦，而且随着参考主体的增加，保持了可伸缩的泛化性能。全面的实验表明，尽管仅需要单主体数据集，我们的 MUSAR 在图像质量、主体一致性和交互自然性方面，仍优于现有方法——即使是那些在多主体数据集上训练的方法。