和任何人策略红，去任何地方！复旦大学携手阶跃星辰打破 “复制粘贴” 魔咒，重磅推出全新 AI 合照生成模型 WithAnyone—— 只需上传照片，就能一键生成自然、真实、毫无违和感的 AI 合照！
WithAnyone 是一种个性化 AI 合照生成方法：给定一个人的一张照片，WithAnyone 可以生成 ta 的各种角度、各种表情；给定几个人的各一张照片，WithAnyone 可以让他们同框，生成一张毫无违和感的 AI 合照。
以往的方法，无论是现象级的 InstantID，还是火出圈的 PuLID，都面临着一个困境：给它什么样的表情、角度，它就生成什么表情、角度，做不到一点变化。
而 WithAnyone 打破了这一魔咒！真的可以拿 ID 一致性与 ID 可控性双料冠军。
空口无凭，且看效果！
还有多人合照：策略红
真可谓是相当惊艳了！
我们也试了一下更多人的场景：
三姐妹戴着同款墨镜其乐融融，三兄弟西装革履装酷耍帅。
过去的模型想做到生成得像，全靠 “复制粘贴 “，参考图的表情神态、头部姿态，照搬到生成图上，没有一点变化。而 WithAnyone 生成的场景真正地做到了人物一致的同时，大伙和谐同框！
当前 ComfyUI 版本已经上线，工作流也有提供，可以轻松部署！
正所谓发现问题策略红，比解决问题更重要。
WithAnyone 的研究团队正是发现了这一问题：AI 人像生成，生成得越来越像，甚至过于地像了 — 相似度甚至远远大于同一个人的不同真实照片！正所谓过犹不及，这便是他们要解决的问题。
要量化这个问题，团队首先提出了MultiID-Bench，与配套的“复制粘贴 “指标。
他们把 “生成结果到参考输入的距离” 减去 “生成结果到目标输出的距离” 作为复制粘贴的衡量，并发现当前的各种方法，落入了一个越像，就越复制粘贴的魔咒：他们清晰地形成了一条拟合直线。
为了突破这个魔咒，研究团队直面最本质的问题：数据与训练。
以往的 AI 个性化生成，由于同一个人的多视角数据缺乏，往往采用 “重建” 的训练方案：参考输入图，也是监督目标。而 WithAnyone 的研究团队则收集了一个五十万张多人合照，并为每张上的每个人，配了上百张不同角度、表情、光照的参考图！另外还有百万张未配对的合照，也一同并入了训练数据。
这次的开源真的很重磅，模型、Benchmark、数据集，三花聚鼎。
有了如此强悍的训练数据，便可定制化训练流程。研究团队先是通过传统重建训练，训练出强大的基本能力，再通过成对数据训练，与高质量数据微调，最终得到现在 WithAnyone 模型。
当然，模型结构和训练目标上都有重大创新，我们总结了一下要点：
参考图像编码双通道：每个参考通过人脸识别网络（获取身份判别向量）与通用图像编码器（捕获中层视觉特征）分别编码；人脸嵌入仅作用于对应人脸区域，避免跨脸信息泄露。对比式学习：把 “正确的同一身份但风格 / 姿态不同的样本” 拉近，把 “不同身份的样本” 推远；通过大量负样本，模型学到 “识别同一人而非重复一张脸的能力”。度量与优化目标：除了常用的扩散 / 重构损失外，加入 ID-contrastive 与对齐到 ground-truth 的 ID 损失，平衡 “相似” 与 “变化” 的张力。
WithAnyone 已经全面开源。团队提供了：代码、模型权重、数据集样例与评测基准（MultiID-Bench） 的公开链接（论文内 project page / Hugging Face / GitHub），便于社区复现与扩展。还有 ComfyUI 支持，期待社区开发出更多玩法！
GitHub: https://github.com/Doby-Xu/WithAnyoneComfyUI 仓库: okdalto/ComfyUI-WithAnyone: ComfyUI version of WithAnyone项目主页: https://doby-xu.github.io/WithAnyone/在线 Demo: https://huggingface.co/spaces/WithAnyone/WithAnyone_Demo
WithAnyone 不只是一次技术突破，更是一次让 AI “懂得同框” 的尝试，希望这项技术能让每一张 AI 合照都充满温度与故事。从今天起，和任何人，去任何地方 —— 用 WithAnyone，拍下属于你的合照！
同创优配提示：文章来自网络，不代表本站观点。
