# 身份保留

ColorFlow是一個為圖像序列著色而設計的模型，特別注重在著色過程中保留角色和對象的身份信息。該模型利用上下文信息，能夠根據參考圖像池為黑白圖像序列中的不同元素（如角色的頭髮和服裝）準確生成顏色，並確保與參考圖像的顏色一致性。ColorFlow通過三個階段的擴散模型框架，提出了一種新穎的檢索增強著色流程，無需每個身份的微調或顯式身份嵌入提取，即可實現具有相關顏色參考的圖像著色。ColorFlow的主要優點包括其在保留身份信息的同時，還能提供高質量的著色效果，這對於卡通或漫畫系列的著色具有重要的市場價值。

StableAnimator是首個端到端身份保留的視頻擴散框架，能夠在不進行後處理的情況下合成高質量視頻。該技術通過參考圖像和一系列姿勢進行條件合成，確保了身份一致性。其主要優點在於無需依賴第三方工具，適合需要高質量人像動畫的用戶。

ID-Aligner 是一種用於增強身份保留文本到圖像生成的反饋學習框架，它通過獎勵反饋學習來解決身份特徵保持、生成圖像的審美吸引力以及與LoRA和Adapter方法的兼容性問題。該方法利用面部檢測和識別模型的反饋來提高生成的身份保留，並通過人類標註偏好數據和自動構建的反饋來提供審美調整信號。ID-Aligner 適用於LoRA和Adapter模型，通過廣泛的實驗驗證了其有效性。

FlashFace通過特徵圖編碼人臉身份並引入解耦集成策略，優秀地保留細節和遵循指令，適用於語言提示下的人臉交換等應用。

StableIdentity是一個基於大型預訓練文本到圖像模型的最新進展，能夠實現高質量的以人為中心的生成。與現有方法不同的是，StableIdentity能夠確保穩定的身份保留和靈活的可編輯性，即使在訓練過程中只使用了每個主體的一張面部圖像。它利用面部編碼器和身份先驗對輸入的面部進行編碼，然後將面部表示投射到一個可編輯的先驗空間中。通過結合身份先驗和可編輯性先驗，學習到的身份可以在各種上下文中注入。此外，StableIdentity還設計了一個掩蔽的兩階段擴散損失，以提升對輸入面部的像素級感知，並保持生成的多樣性。大量實驗證明，StableIdentity的性能優於以往的定製方法。學習到的身份還可以靈活地與ControlNet等現成模塊結合使用。值得注意的是，我們是首個能夠直接將從單張圖像學習到的身份注入到視頻/3D生成中而無需微調的方法。我們相信，StableIdentity是統一圖像、視頻和3D定製生成模型的重要一步。

InstantID是一種基於強大擴散模型的解決方案，能夠在各種風格下使用單張面部圖像進行圖像個性化處理，同時確保高保真度。我們設計了一個新穎的IdentityNet，通過施加強大的語義和弱空間條件，將面部和地標圖像與文本提示集成，引導圖像生成。InstantID在實際應用中表現出色，並且能夠與流行的預訓練文本到圖像擴散模型（如SD1.5和SDXL）無縫集成，作為一個可適配的插件。我們的代碼和預訓練檢查點將在此URL上提供。