免费POC，
零成本试错
微信搜一搜，关注“大淘宝技术”
现有的文生图技术已经较为成熟，Flux、SD 3.5 和 Midjounery 等最先进文生图模型已经可以生成足够“以假乱真”的图像。在淘系内部，现有文生图模型已经被应用于各种需要创意图像的业务,例如 AI 会场等。但是，文生图技术的缺陷在于文本作为控制条件的指导性仍然较弱--例如我们无法仅利用文本生成一个带有“GitHub”样式的包包的营销图（见图1）。
图1. 现有文生图模型与本文方案效果展示
然而，这一能力在淘系有着极为广泛和重要的应用场景和需求--想象对于任意一件商品，如果可以生成该商品在不同场景下的高质量图像，那么这对于to B 和 to C 侧的内容生产和投放，都具有非常大的应用前景，值得我们投入资源进行探索落地。
基于参考图像生成目前主要有两种范式，一种是利用 inpainting 技术实现特定商品的重绘，一种是参考图生成技术。inpainting 技术对除商品以外的区域进行重绘，保证商品本身的内容不发生改变，但是该方案的缺点也较为明显：生成的物体和原图一模一样，且无法较好的将物体融入到新生成的场景中，例如前后景不融洽。
图2. inpainting 效果展示
Dreambooth 引入了“个性化生成”的概念：通过输入 3-5 张特定人/物的图像，模型即可具备生成特定人/物不同状态、不同场景图像的能力。Dreambooth 通过将特定图像与特定文本捆绑，使得模型学习到人/物到文本的映射关系。例如，通过 "A [V] dog" 将特定的松狮犬图像与文本关联。在实践中，[V] 通常使用较少出现的单词，如 "sks"，以替代其原有的语义。此外，为了防止过拟合和语义漂移，Dreambooth 引入了类别保留损失，即在训练中特定的狗图像输入同时，保留对其他品种狗的生成能力。
图3. Dreambooth框架图
测试时微调的方案虽然可以生成一致性较高的物体，但是因为其在推理时对于每一个物体都需要进行微调，流程上较为繁琐，所以具有其局限性。
免测试时微调，即在模型训练完成后，无需针对特定 case 进行微调，具备了 zero-shot 的生成能力，具有较大的应用前景。免测试时微调的经典的代表作为 IP-Adatper[4] 和 Animate-anyone[5]。二者分别代表了两种不同的将参考图像特征注入到去噪过程中的范式。
对于条件图像，通过 Image Encoder(CLIP Image Encoder) 将条件图像进行编码得到，然后通过解耦交叉注意力（见如下公式）将条件图像注入到 latent 特征中，从而实现条件图像的信息注入。
图4. IP-Adapter架构
IP-Adapter 的缺点在于对于图像的细粒度信息注入不足，这是因为条件图像送入 CLIP Image Encoder, 输出的特征形状为: [1, 768]，这对于图像的信息压缩十分严重，从而使其难以捕捉条件图像中的细节信息。
Anymate-anyone 提出了一种名为 ReferenceNet 的新颖图像特征注入方法，以解决 IP-Adapter 细节信息不足的问题。ReferenceNet 包含三个主要架构：去噪网络、CLIP 图像编码器和参考网络。除了使用 CLIP 图像编码器注入粗粒度特征外，还引入了预训练 Stable Diffusion 初始化的条件图像特征提取分支。通过 reference net 注入多尺度特征到去噪阶段，此方法在生成图像一致性方面有显著提升，广泛应用于视频生成和虚拟试衣等领域。
技术方案
目前关于参考图生成方向的数据集主要有两类：
1. 重建数据集 (从图像中分割出特定物体，做一定数据增强后让模型恢复出原始物体)
2. 配对数据集：物体的两张不同场景、不同视角的图片对。我们首先在重建数据上进行实验，发现模型最终的生成 copy-paste 的效果较为明显，因而采用配对数据集，在生成的多样性上有较大改善。
在基模选择上，我们首先尝试了 SD1.5 作为基模， 但因为其基础生成能力较弱，无法较好的对物体的细节纹理、文字等进行较好还原，因此转而尝试 SDXL和 Flux 作为基模。SDXL 和 Flux 对文字等具有较好的还原能力。
在方案选择上，我们尝试了基于 ControlNet [6]、ReferenceNet 和一些虚拟试衣的范式，并且最终基于虚拟试衣的范式并进行相应修改调整来进行参考图生成。
实验效果
我们首先展示模型在测试集上的效果，可以看出模型可以较好的保持背包的形状、图案和文字等的一致性，甚至比 GT 更像 GT（例如表格第4行）。
接着，我们在淘宝上随机挑选一些比较具有代表性的 case 进行验证，也能取得不错的效果。
最后，把我们的方案与当前的 SOTA 参考图生成方案进行对比，可以较为明显的发现该方案在一致性上的优势。
我们提出了一种新颖的参考图生成方案，能够实现细粒度的商品一致性生成，在较好地还原物品的形状、纹理、花纹文字的同时，融洽的将商品融入到文本提示的环境中。
我们的模型在参考图生成的一致性上取得了较好的效果，但是目前仍具有以下不足：
对于物体的品类、图像的质量、美感等方面仍有较多进步空间。
当提示词中涉及到人物形象时，参考信息的注入一致性会变差，同时对人物生成产生负面影响。
物体和人物的交互不正确。
因此，后续我们会进一步扩大品类信息，提升数据的数量与图像质量，进一步提升模型的生图效果。
53AI，企业落地大模型首选服务商
产品：场景落地咨询+大模型应用平台+行业解决方案
承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业
2026-06-28
Om AI第二弹！VLX-Seek来了：3B小模型，细粒度感知反超Gemini
2026-06-22
小参数，大能力 | 星际视觉语言大模型再进化，0.8B轻量版正式发布
2026-06-16
RapidOCR: 从 setup.py 迁移到 pyproject.toml 打包实践
2026-06-12
PaddleOCR 3.7 正式接入ONNX Runtime，一个参数换后端，轻量部署新选择
2026-06-11
本地部署OCR，可能是AI进单位的第一道门
2026-06-08
正式推出 Gemma 4 12B: 一款统一、免编码器的多模态模型
2026-05-30
还在用 MinerU 解析 PDF？这个 2B 小模型直接把 olmOCR-bench 刷到 87.6%，速度还快 3.68 倍
2026-05-30
Qwen-VLA：迈向通用具身智能的统一动作框架
2026-04-22
2026-04-27
2026-04-21
2026-04-09
2026-04-15
2026-04-26
2026-04-21
2026-05-30
2026-04-22
2026-05-25
2026-03-12
2025-12-31
2025-08-04
2025-05-26
2025-05-13
2025-04-08
2025-04-05
2025-03-30
回到顶部
欢迎您使用【53AI 官方网站】（以下简称“本网站”或“我们”）。本《会员服务协议》（以下简称“本协议”）是您（以下简称“会员”或“用户”）与【深圳市博思协创网络科技有限公司】之间关于注册、登录及使用本网站会员服务所订立的法律协议。
在您注册或登录前，请务必审慎阅读、充分理解各条款内容，特别是免除或限制责任的条款、知识产权条款、争议解决条款等。此类条款将以加粗形式提示您注意。 当您通过微信公众号授权、手机验证码验证或其他方式成功登录本网站时，即视为您已完全理解并同意接受本协议的全部内容。
一、 定义
本网站：指由【深圳市博思协创网络科技有限公司】运营的，域名为【53ai.com】的网站及相关移动端页面。
会员服务：指本网站向注册会员提供的知识库文章查阅、内容检索及其他相关增值服务。
知识库内容：指本网站发布的包括但不限于文字、图表、数据、研究报告、行业分析等数字化内容资源。
二、 账号注册与登录
登录方式：本网站支持以下登录方式，您可根据实际情况选择：
微信公众号授权登录：您同意将您的微信OpenID信息授权给本网站，用于创建或关联会员账号。
手机验证码登录：您需提供真实有效的手机号码，并通过短信验证码完成身份验证与登录/注册。
账号安全：您的账号仅限您本人使用，禁止赠与、借用、租用、转让或售卖。因您保管不善导致的账号被盗、密码泄露等损失，由您自行承担。
实名认证：根据相关法律法规要求，我们可能要求您在特定功能下完成实名认证。如您拒绝提供，可能无法使用部分或全部服务。
未成年人保护：若您未满18周岁，请在法定监护人的陪同下阅读本协议，并在征得监护人同意后使用本服务。
三、 服务内容与规范
知识库查阅权限：会员登录后，有权按照其会员等级对应的权限范围，在线浏览、检索本网站知识库中的相关文章及内容。
服务变更：我们有权根据业务发展需要，调整、变更或终止部分服务内容，并将以网站公告、公众号消息等方式提前通知。
禁止行为：您在使用服务时不得实施以下行为：
利用技术手段批量爬取、下载、转存知识库内容；
将知识库内容用于商业目的或未经授权地向第三方传播；
干扰本网站正常运行或侵犯其他用户合法权益；
发布违法违规信息或从事违反公序良俗的活动。
四、 知识产权声明
权利归属：本网站知识库中的排版设计、软件代码等内容的知识产权均归【公司全称】或原权利人所有，受《中华人民共和国著作权法》等法律保护。
有限许可：本网站授予会员一项非独占、不可转让、不可转授权的普通许可，仅限于个人学习、研究之目的在线查阅知识库内容。
侵权追责：未经书面许可，任何单位或个人不得以任何形式复制、转载、摘编、镜像、汇编或以其他方式使用上述内容。一经发现，我们保留追究其法律责任的权利。
五、 个人信息保护
我们重视对您个人信息的保护。关于我们如何收集、使用、存储和保护您的个人信息，请单独阅读 《隐私政策》。
您通过微信公众号授权或手机号验证所提供的信息，我们将严格按照《个人信息保护法》的规定处理，仅用于身份识别、服务提供及安全验证等必要用途。
您可以随时通过网站设置或联系客服行使查阅、更正、删除个人信息及撤回授权同意的权利。
六、 免责声明
内容准确性：知识库内容仅供参考，不构成专业建议。我们不对其完整性、准确性、时效性作任何明示或暗示的保证，您应自行判断并承担使用风险。
不可抗力：因自然灾害、政策法规变化、网络故障、第三方平台接口异常（如微信接口维护、运营商短信通道故障）等不可抗力导致的服务中断或延迟，我们不承担违约责任。
第三方链接：本网站可能包含指向第三方网站的链接，该等网站的内容和服务不受我们控制，请您自行甄别风险。
七、 违约责任
如您违反本协议约定，我们有权视情节采取警告、限制功能、暂停服务、注销账号等措施，并保留要求赔偿损失的权利。
如因您的违约行为导致我们遭受行政处罚、第三方索赔或商誉损失，您应承担全部赔偿责任（包括但不限于罚款、赔偿金、律师费、公证费等）。
八、 法律适用与争议解决
本协议的订立、执行和解释均适用中华人民共和国大陆地区法律。
因本协议产生的或与本协议有关的任何争议，双方应友好协商解决；协商不成的，任何一方均可向【公司所在地】有管辖权的人民法院提起诉讼。
九、 其他
本协议构成双方就本服务达成的完整协议，取代此前任何口头或书面约定。
本协议任一条款被认定为无效或不可执行的，不影响其他条款的效力。
我们对本协议享有最终解释权，并在法律允许的范围内保留随时修改的权利。修改后的协议一经公布即生效，继续使用服务即视为同意修订内容。
粤ICP备14082021号
