可控圖片生成，如今已經不是什么新鮮事。甚至也不需要復雜的提示詞，用戶通過簡單的文本描述，就能快速生成符合個人需求的創意圖像。

不過仍然有一些局限：

比如說，雖然可以實現單一任務（如身份、主體、風格、背景等）的定制化設計，可是一旦條件增多，就會出現“魚和熊掌不可兼得”的問題。

只有小孩子才做選擇題，成年人當然是全都要！

字節跳動與北京大學聯合起來，證明了“全都要”的可行性：一種支持多條件組合的統一圖像定制化生成框架——DreamO，堂堂登場。

這個框架通過單一模型便可以實現主體、身份、風格及服裝參考的多樣化定制，并支持不同控制條件的自由組合，非常適應實際應用中的復雜需求。

△參考多個主體的生成結果

那么就有人問了，他們是怎么做到的呢？這個框架和現有的商業大模型相比有什么優勢呢？

一起來看技術細節。

DreamO：成本更低、速度更快

字節跳動和北大團隊提出了統一的圖像定制化生成框架DreamO，以極低的訓練參數量（400M），就實現了如下圖所展示的多種類型高質量圖像定制化結果：

該工作旨在通過單一模型完成各種定制化任務。

比如說，以小怪物為參考，讓它在山上歡呼：

又比如說，讓漂亮的姑娘在花海里起舞：

根據參考，生成一張魔幻風格的城堡：

或者大膽一點——地獄風格的小狗怎么樣？

還可以參考多個主體，把他們組合起來：

讓隔著時間或者空間的人出現在同一張照片上：

將該模型與GPT-4o等一眾商業大模型做對比，盡管在語義理解、定制多樣性上還有差距，但該模型展現出了極強的一致性保持能力，甚至在一定程度上超越了一些商業大模型。

與商用模型相比，DreamO開源、成本更低、速度也更快——8~10s即可完成一張圖片的定制化生成。

方法整體框架

△DreamO的整體框架

該方法基于Flux-1.0-dev構建了一個統一的圖像定制框架，支持風格、身份、外觀和試穿等功能。

首先，復用Flux的VAE將條件圖像編碼為隱空間表征，隨后序列化，與文本和圖像token合并輸入Flux模型，為處理條件圖像輸入，引入了專門的映射層。

另外，該方法為條件隱變量加入了可學習的條件嵌入（CE）和索引嵌入（IE），并通過低秩自適應（LoRA）模塊優化模型，從而支持多條件任務。

漸進式的訓練策略

直接在所有數據上訓練會導致收斂困難，主要由于優化參數容量有限，難以在復雜數據分布中捕捉特定任務能力；而訓練數據的圖像質量問題也使生成結果偏離Flux的高質量生成先驗。

為解決這些問題，DreamO提出了漸進式訓練策略：

在第一階段，在主體驅動的數據上優化模型，確保一致性，并利用與模型生成空間分布相似的Subject200K數據集加速收斂。使模型獲得了初步的一致性保持能力。

在第二階段，模型進行全數據訓練，逐漸掌握各種任務能力。但生成質量容易受低質量訓練樣本影響。

在圖像質量優化的第三階段，通過Flux生成40K樣本，以原始圖像（丟棄95%的信息）為參考進行自我重建。

經過第三階段優化后，圖像的生成質量顯著提高，與Flux的生成先驗對齊。

針對參考圖的路由約束

該方法在DiT架構中設計了路由約束用于精準限制參考圖的作用區域。

在條件引導框架中，條件圖像與生成結果之間存在交叉注意力關系，如下所示：表示條件圖像與生成結果的相似度。

通過沿條件圖維度平均該相似度矩陣，可以得到條件圖對生成結果的全局相似度響應。

訓練過程中，使用條件物體在生成結果中對應的mask作為ground truth約束條件圖的相似度響應范圍：

實驗結果顯示，經過路由約束的訓練后，條件圖的相似度響應更加集中，生成結果的保真度更高。

另外，為了支持DreamO的多任務優化，作者構建了大規模包含各種任務的訓練數據，例如風格遷移、單主體保持、多主體保持、單ID保持、多ID保持、ID風格化，以及虛擬試衣等。

更多細節請參考該方法的技術報告。

論文地址：https://arxiv.org/pdf/2504.16915
項目主頁：https://mc-e.github.io/project/DreamO/
代碼倉庫：https://github.com/bytedance/DreamO
Hugging Face演示：https://huggingface.co/spaces/ByteDance/DreamO