可控图片生成，如今已经不是什么新鲜事。甚至也不需要复杂的提示词，用户通过简单的文本描述，就能快速生成符合个人需求的创意图像。
不过仍然有一些局限：
比如说，虽然可以实现单一任务（如身份、主体、风格、背景等）的定制化设计，可是一旦条件增多，就会出现“鱼和熊掌不可兼得”的问题。
只有小孩子才做选择题，成年人当然是全都要！
字节跳动与北京大学联合起来，证明了“全都要”的可行性：一种支持多条件组合的统一图像定制化生成框架——DreamO，堂堂登场。
这个框架通过单一模型便可以实现主体、身份、风格及服装参考的多样化定制，并支持不同控制条件的自由组合，非常适应实际应用中的复杂需求。
△参考多个主体的生成结果
那么就有人问了，他们是怎么做到的呢？这个框架和现有的商业大模型相比有什么优势呢？
一起来看技术细节。
DreamO：成本更低、速度更快
字节跳动和北大团队提出了统一的图像定制化生成框架DreamO，以极低的训练参数量（400M），就实现了如下图所展示的多种类型高质量图像定制化结果：
该工作旨在通过单一模型完成各种定制化任务。
比如说，以小怪物为参考，让它在山上欢呼：
又比如说，让漂亮的姑娘在花海里起舞：
根据参考，生成一张魔幻风格的城堡：
或者大胆一点——地狱风格的小狗怎么样？
还可以参考多个主体，把他们组合起来：
让隔着时间或者空间的人出现在同一张照片上：
将该模型与GPT-4o等一众商业大模型做对比，尽管在语义理解、定制多样性上还有差距，但该模型展现出了极强的一致性保持能力，甚至在一定程度上超越了一些商业大模型。
与商用模型相比，DreamO开源、成本更低、速度也更快——8~10s即可完成一张图片的定制化生成。
方法整体框架
△DreamO的整体框架
该方法基于Flux-1.0-dev构建了一个统一的图像定制框架，支持风格、身份、外观和试穿等功能。
首先，复用Flux的VAE将条件图像编码为隐空间表征，随后序列化，与文本和图像token合并输入Flux模型，为处理条件图像输入，引入了专门的映射层。
另外，该方法为条件隐变量加入了可学习的条件嵌入（CE）和索引嵌入（IE），并通过低秩自适应（LoRA）模块优化模型，从而支持多条件任务。
渐进式的训练策略
直接在所有数据上训练会导致收敛困难，主要由于优化参数容量有限，难以在复杂数据分布中捕捉特定任务能力；而训练数据的图像质量问题也使生成结果偏离Flux的高质量生成先验。
为解决这些问题，DreamO提出了渐进式训练策略：
在第一阶段，在主体驱动的数据上优化模型，确保一致性，并利用与模型生成空间分布相似的Subject200K数据集加速收敛。使模型获得了初步的一致性保持能力。
在第二阶段，模型进行全数据训练，逐渐掌握各种任务能力。但生成质量容易受低质量训练样本影响。
在图像质量优化的第三阶段，通过Flux生成40K样本，以原始图像（丢弃95%的信息）为参考进行自我重建。
经过第三阶段优化后，图像的生成质量显著提高，与Flux的生成先验对齐。
针对参考图的路由约束
该方法在DiT架构中设计了路由约束用于精准限制参考图的作用区域。
在条件引导框架中，条件图像与生成结果之间存在交叉注意力关系，如下所示：
表示条件图像与生成结果的相似度。
通过沿条件图维度平均该相似度矩阵，可以得到条件图对生成结果的全局相似度响应。
训练过程中，使用条件物体在生成结果中对应的mask作为ground truth约束条件图的相似度响应范围：
实验结果显示，经过路由约束的训练后，条件图的相似度响应更加集中，生成结果的保真度更高。
另外，为了支持DreamO的多任务优化，作者构建了大规模包含各种任务的训练数据，例如风格迁移、单主体保持、多主体保持、单ID保持、多ID保持、ID风格化，以及虚拟试衣等。
更多细节请参考该方法的技术报告。
论文地址：https://arxiv.org/pdf/2504.16915项目主页：https://mc-e.github.io/project/DreamO/代码仓库：https://github.com/bytedance/DreamOHugging Face演示：https://huggingface.co/spaces/ByteDance/DreamO
