对标GPT-4o和香蕉！浙大开源ContextGen：布局身份协同新SOTA

新智元报道

编辑：LRST

【新智元导读】浙江大学ReLER团队开源ContextGen框架，攻克多实例图像生成中布局与身份协同控制难题。基于Diffusion Transformer架构，通过双重注意力机制，实现布局精准锚定与身份高保真隔离，在基准测试中超越开源SOTA模型，对标GPT-4o等闭源系统，为定制化AI图像生成带来新突破。

在定制化AI图像生成领域，多实例图像生成（MIG）面临一个关键的协同控制挑战：精确布局控制和多主体身份保真的同步实现。

现有方法往往只能达成二者之一，少数能兼顾的方法在性能上也存在显著不足。

为解决这一布局与身份的协同控制瓶颈，浙江大学ReLER团队提出了ContextGen框架，首次在Diffusion Transformer (DiT) 架构内部，通过双重上下文注意力机制实现了架构级的分层解耦控制。

ContextGen在基准测试上，身份保持能力超越SOTA开源模型，并成功对标了GPT-4o和Nano-Banana等强大的闭源系统，实现了在复杂定制化控制方面实现了关键突破。

论文地址：https://arxiv.org/abs/2510.11000

代码地址：https://github.com/nenhang/ContextGen

行业痛点

多实例生成中的「协同控制挑战」

当前MIG模型在实际应用中，主要表现出在布局精准度与身份保真度协同控制上的挑战：

1. 宏观布局难以固化：即使模型显式提供了布局控制功能，生成的多个实例也难以精确地锚定到用户指定的空间位置，属性泄露和实例遗失现象频发，导致生成图像的构图混乱且不符合预期。

2. 身份细节极易丢失：目前很多模型都支持多主体定制化，但主体数量增加时，身份细节丢失的概率会显著上升，生成结果往往无法忠实还原每个实例的独特身份特征。

ContextGen的核心突破在于：它利用注意力机制控制的上下文学习，实现了对这两个问题的协同解决，并在多个关键基准上达到了新的SOTA水平。

核心机制

布局锚定与身份隔离

ContextGen框架基于DiT架构构建，将所有输入整合成一个统一的Token序列T，创新在于在DiT模块中嵌入了两个功能不同的「注意力核」。

宏观布局控制模块

上下文布局锚定 (Contextual Layout Anchoring, CLA)机制是DiT网络的「布局控制器」，负责全局结构和构图：

机制：该模块采用的注意力掩码MCLA允许查询Token q与所有文本、图像和布局Token进行广泛通信。

效果：通过在DiT模块的前置和后置层建立宏观约束，确保生成的实例能够鲁棒且精确地遵循用户指定的布局要求。这种图像层面的宏观布局引导更适配于现有的DiT上下文学习机制，简单而有效地提升了布局控制的准确性。

微观身份隔离模块

身份一致性注意力 (Instance Consistency Attention, ICA)机制是解决多主体身份混淆与丢失的「身份隔离器」：

机制：采用隔离式的注意力掩码MICA，强制限制位于实例n边界框Bn内的查询Token q，只能关注其自身区域Bn、文本T以及对应的参考图像Rn

效果：这一设计在DiT模块的中间层，切断了不同实例身份Token之间的交叉通信，它为每个实例创造了一个「注意力孤岛」，从机制上保障了多主体身份信息的高保真隔离注入，这一机制在应对实例重叠、压缩等复杂场景时，能有效缓解身份信息丢失问题，同时在上下文变长时，也能维持鲁棒的身份保真度。

辅助优化与数据基石

DPO强化学习：引入直接偏好优化 (DPO)，解决了监督微调可能导致的布局僵硬复制问题，从而增强了生成图像的多样性和自然度。

IMIG-100K数据集：团队同步发布了IMIG-100K，首个包含详细布局与身份标注的、含有不同难度层级的、大规模高质量多实例合成数据集。

实验结果

开源SOTA，对标闭源巨头

ContextGen的性能突破，体现在布局精度和身份保持两个维度：

布局精度提升：在COCO-MIG基准上，空间准确性(mIoU) 实现了+5.9%提升，验证了ContextGen在精确构图上的领先性。

身份保持的突破：在LAMICBench++身份保持测试中，ContextGen的在较多主体下的身份保真度(IDS) 比肩甚至超越了GPT-4o和Nano-Banana等闭源模型。这一关键结果证明了ContextGen在复杂多主体场景中，对细节的保真还原能力。

定性结果清晰显示，ContextGen也能还原细粒度的面部特征，也能灵活融合不同风格的参考图像，同时还能遵循用户的布局设计要求。

前端支持

用户友好界面

团队还开发了一个简单的前端界面，用户可以上传自己的参考图像，方便地设计布局，从而定制化生成多实例图像。

结语

ContextGen框架通过在DiT架构中引入CLA和ICA双核注意力机制，创新性地实现了宏观布局和微观身份信息的架构级分层解耦。

这一工作不仅为多实例生成提供了SOTA解决方案，成功突破了布局与身份的协同控制瓶颈，也为DiT等基础扩散模型在高度定制化AIGC任务中的应用开辟了新的技术路径。

作者简介

本工作由浙江大学ReLER团队完成，其中第一作者是浙江大学计算机科学与技术学院本科生许瑞航，通讯作者为浙江大学求是讲席教授杨易老师。ReLER团队长期致力于人工智能领域的前沿研究，包括但不限于生成模型、多模态学习、AI+X等方向。

参考资料：

https://arxiv.org/abs/2510.11000

秒追ASI

⭐点赞、转发、在看一键三连⭐

点亮星标，锁定新智元极速推送！