MagicNaming：通过在 T2I 扩散模型中寻找“姓名空间”实现身份一致性生成

该研究面向文本到图像（T2I）扩散模型中的人物身份一致性生成，探索能否像使用名人姓名一样，用一个嵌入表示控制普通人物身份。核心贡献是提出 MagicNaming：利用名人姓名的文本嵌入作为监督，学习将输入人脸映射到可用于生成的“姓名嵌入”。基于摘要分析，未取得论文全文。 方法上，作者使用扩散模型的文本编码器，提取 Laion5B 中名人姓名的嵌入，并据此训练一个根据人脸图像预测姓名嵌入的编码器。其“姓名空间”假设是，空间中的不同点可以对应不同身份，从而将已有的姓名条件生成能力扩展到普通人物，而不只依赖模型已知的名人姓名。摘要未提供编码器结构、损失形式或训练样本构建细节。 作者报告，预测的姓名嵌入能够支持较好的生成身份一致性，并与文本输入的语义解耦，从而较好保留原有文本到图像生成能力。作者还报告，在同一基础模型 SDXL 衍生的模型版本中，可通过接入这些嵌入获得身份感知生成能力，并以 Civitai 上的衍生版本为例；这不等于已证明能够跨不同基础模型通用。 摘要未给出评估数据划分、身份一致性指标、文本遵循度指标或对照结果，实验协议、消融及统计信息尚未验证。复现时需核对姓名与人脸的监督配对方式、嵌入注入位置，以及跨身份和跨模型版本的评估范围。该工作的主要研究对象是人物图像生成，现有材料未建立与 EEG 或 BCI 的具体机制对应，不据此推断其神经信号应用效果。