對于那些喜歡編輯圖像的人來說，將一個物體自然地放入背景場景中一直是個難題。想象一下，你手中有一張可愛柯基犬的照片，希望將它放在客廳沙發(fā)上，但總是效果不佳：要么柯基看起來像"貼"上去的貼紙，要么角度不對，要么狗狗的毛色和特征都變了。這正是南方科技大學(xué)林劍滿、李昊杰、青春梅，廣東工業(yè)大學(xué)楊志景，以及中山大學(xué)林亮和陳天水等研究者在2025年5月發(fā)表的研究"Geometry-Editable and Appearance-Preserving Object Composition"（幾何可編輯和外觀保持的對象組合）所要解決的問題。

這項(xiàng)發(fā)表于arXiv（arXiv:2505.20914v1）的研究，為通用物體組合（General Object Composition，簡稱GOC）任務(wù)提出了全新解決方案。什么是通用物體組合？簡單來說，就是將一個目標(biāo)物體（比如那只柯基）無縫地融入背景場景（比如你的客廳），同時確保這個物體可以按照你想要的角度和位置進(jìn)行調(diào)整，而且保持它原本的細(xì)節(jié)外觀不變。想象成是給照片中的物體一個"新家"，但不改變它的"長相"。

目前的人工智能技術(shù)在物體組合方面面臨一個兩難選擇：要么能靈活編輯物體的位置和角度（稱為"幾何可編輯性"），但物體的細(xì)節(jié)會丟失；要么能很好地保留物體的細(xì)節(jié)外觀（稱為"外觀保持"），但位置和角度就難以靈活調(diào)整。就像你要么能隨意擺放一個積木，但它可能變成了另一種顏色；要么能保持它漂亮的原色，但只能放在固定位置。

南方科技大學(xué)的研究團(tuán)隊(duì)開創(chuàng)性地提出了一種名為"DGAD"（Disentangled Geometry-editable and Appearance-preserving Diffusion，解耦的幾何可編輯與外觀保持?jǐn)U散模型）的方法。這個方法的獨(dú)特之處在于它將"幾何編輯"和"外觀保持"這兩個任務(wù)巧妙地分開處理，又在正確的時機(jī)將它們結(jié)合起來。

想象DGAD就像一個專業(yè)的電影制作團(tuán)隊(duì)：首先有一位"場景設(shè)計(jì)師"（幾何編輯部分）確定物體應(yīng)該放在哪里，以什么角度出現(xiàn)；然后有一位"化妝師"（外觀保持部分）確保物體的每一個細(xì)節(jié)都保持原樣。這兩位專家并不是各自為政，而是緊密合作：場景設(shè)計(jì)師先規(guī)劃好物體的位置和姿態(tài)，然后化妝師根據(jù)這個規(guī)劃精確地在每個位置添加正確的外觀細(xì)節(jié)。

那么，DGAD是如何實(shí)現(xiàn)這一過程的呢？研究團(tuán)隊(duì)的方法包含兩個關(guān)鍵步驟：

第一步，他們利用語義嵌入（可以理解為物體的"概念理解"）和預(yù)訓(xùn)練擴(kuò)散模型的強(qiáng)大空間推理能力，隱式地捕捉物體的幾何特性。這就像先理解"一只狗應(yīng)該怎樣坐在沙發(fā)上"這樣的空間關(guān)系，而不是直接處理狗的外觀。這個階段使用了CLIP或DINO這樣的視覺模型提取的語義特征，讓系統(tǒng)能夠理解物體應(yīng)該如何自然地放置在場景中。

第二步，他們設(shè)計(jì)了一種密集交叉注意力機(jī)制，利用第一步學(xué)到的幾何信息，準(zhǔn)確地將物體的外觀特征與其對應(yīng)的幾何區(qū)域?qū)R。想象這個過程就像拿著一個透明的狗狗輪廓，然后精確地往這個輪廓的每個部分填充正確的顏色和紋理，確保狗的毛發(fā)、眼睛、鼻子等每個細(xì)節(jié)都保持原樣，同時適應(yīng)新的角度和位置。

值得注意的是，DGAD不只是簡單地把物體"貼"到背景上，而是真正理解了物體應(yīng)該如何自然地存在于背景場景中。它不需要用戶提供精確的物體蒙版或復(fù)雜的幾何信息，只需要指定大致的區(qū)域，系統(tǒng)就能自動處理物體的空間放置和外觀保持。

通過在公開基準(zhǔn)測試中的實(shí)驗(yàn)，研究團(tuán)隊(duì)證明了DGAD方法在物體編輯性和外觀保持方面都優(yōu)于現(xiàn)有技術(shù)。在用戶研究中，37.5%的參與者認(rèn)為DGAD在組合質(zhì)量方面表現(xiàn)最佳，41.5%的參與者認(rèn)為它在視覺一致性方面最出色，遠(yuǎn)超其他對比方法。

這項(xiàng)技術(shù)的潛在應(yīng)用十分廣泛：從交互式圖像編輯、虛擬環(huán)境創(chuàng)建，到增強(qiáng)和虛擬現(xiàn)實(shí)（AR/VR）應(yīng)用的內(nèi)容生成。想象一下，你可以輕松地將任何物體放入任何背景，創(chuàng)建完全真實(shí)的合成場景，無論是為電子商務(wù)網(wǎng)站創(chuàng)建產(chǎn)品展示，還是為游戲和虛擬世界構(gòu)建沉浸式環(huán)境。

讓我們來看看DGAD與現(xiàn)有方法相比有何不同?，F(xiàn)有的方法主要分為兩類：一類是依賴語義嵌入（如CLIP/DINO特征）的方法，它們能實(shí)現(xiàn)物體的靈活編輯，但會丟失細(xì)節(jié)；另一類是使用參考網(wǎng)絡(luò)提取像素級特征的方法，它們能很好地保留外觀細(xì)節(jié)，但編輯靈活性受限。

DGAD的創(chuàng)新之處在于它不是簡單地選擇這兩種方法之一，而是巧妙地結(jié)合了兩者的優(yōu)勢。它首先使用語義嵌入隱式地學(xué)習(xí)物體的幾何特性，然后使用這些學(xué)到的特性作為"指導(dǎo)"，準(zhǔn)確地從參考網(wǎng)絡(luò)中檢索和對齊外觀特征。這種解耦然后重組的策略，就像是先畫出一個精確的輪廓，然后再一筆一筆地填充顏色，確保每一筆都落在正確的位置。

研究團(tuán)隊(duì)還進(jìn)行了廣泛的消融研究，驗(yàn)證了DGAD中每個組件的必要性和有效性。例如，他們發(fā)現(xiàn)移除幾何布局表示會導(dǎo)致編輯能力顯著下降，而使用標(biāo)準(zhǔn)交叉注意力替代密集交叉注意力機(jī)制則會損害外觀保持能力。

總而言之，南方科技大學(xué)團(tuán)隊(duì)的DGAD方法為通用物體組合任務(wù)提供了一個全新的視角和解決方案，成功地實(shí)現(xiàn)了幾何可編輯性和外觀保持的平衡，這在以往的技術(shù)中是難以同時實(shí)現(xiàn)的。這一突破性進(jìn)展不僅推動了計(jì)算機(jī)視覺和圖像編輯技術(shù)的發(fā)展，也為創(chuàng)建更加真實(shí)、自然的合成圖像鋪平了道路，未來有望在多媒體內(nèi)容創(chuàng)作、虛擬現(xiàn)實(shí)和增強(qiáng)現(xiàn)實(shí)等領(lǐng)域發(fā)揮重要作用。

如果你對這項(xiàng)研究感興趣，可以訪問研究團(tuán)隊(duì)的GitHub頁面：https://github.com/jianmanlincjx/DGAD，查看代碼和預(yù)訓(xùn)練模型。