本文由 NUS ShowLab 主导完成。第一作者宋亦仁为新加坡国立大学 ShowLab@NUS 在读博士生，研究方向是视觉生成和多模态，在 CVPR、SIGGRAPH、NeurIPS 等国际顶级会议上发表多篇研究成果。共同一作刘成为 NUS 重庆研究院四年级本科生，研究方向是视觉生成。项目负责作者为该校校长青年教授寿政。
不久前，GPT-4o 的最新图像风格化与编辑能力横空出世，用吉卜力等风格生成的效果令人惊艳，也让我们清晰看到了开源社区与商业 API 在图像风格化一致性上的巨大差距。
目前，开源扩散模型在 image-to-image 风格迁移中普遍面临一个跷跷板困境：要想增强风格化效果，往往会牺牲细节、结构和语义一致性；而要保持一致性，风格表达则明显退化。
为了解决这一难题，我们提出 OmniConsistency，利用配对数据复现 GPT-4o 的出色风格化一致性，为开源生态注入接近商业级的能力。
- 论文标题：OmniConsistency: Learning Style-Agnostic Consistency from Paired Stylization Data
- 项目主页：https://github.com/showlab/OmniConsistency
- 论文链接：https://arxiv.org/abs/2505.18445
- Demo 试用链接：https://huggingface.co/spaces/yiren98/OmniConsistency
我们的解决方案：OmniConsistency
我们提出 OmniConsistency， 一个基于 DiT 的通用一致性增强插件，它可以在保持强烈风格化效果的同时，精准保留输入图像的细节、语义和结构。
OmniConsistency 的训练仅用了 2600 对 GPT-4o 生成的高质量图像，全流程只用约 500 小时 GPU 算力，成本极低。
OmniConsistency 有哪些亮点？来看三句话总结：
✅ 解决风格化与一致性之间的跷跷板问题
✅ 即插即用，兼容社区任意 Flux 底模的风格 LoRA
✅ 轻量高效，效果出色，媲美 GPT-4o
为什么现有方法会出现风格退化？
目前各大厂商的 AI 图生图业务的主流做法是组合风格化 LoRA + 一致性插件 + image2image pipeline。在特定风格数据上微调得到的风格 LoRA 模块，能够在文本到图像（text-to-image, T2I）任务中实现高质量风格图像生成。一致性模块（如 ControlNet、IP-Adapter、Redux 等）负责在图像到图像（image-to-image, I2I）任务中维持结构、边缘或姿态等条件，允许使用更大的去噪强度来获得更强的风格化效果。
问题是，当把这两类模块组合在一起用时，风格模块要的 “自由发挥” 和一致性模块要的 “严谨控制” 彼此掣肘。尤其在 I2I 任务中，风格表达往往会被削弱，出现明显的风格退化。换句话说，现有方法被困在风格化强度和一致性之间的跷跷板上，无法两全。
方法介绍：OmniConsistency 的核心设计
OmniConsistency 的核心目标是打破图像风格化任务中 “风格表达” 与 “一致性保持” 之间的跷跷板困境。为了解决这一问题，我们提出了一种全新的、风格 - 一致性解耦学习方法，其包括以下三项关键设计：
1. In-Context 一致性学习框架：从数据对学习
OmniConsistency 创新性地提出了一种基于风格化图像对的一致性学习机制：不是像现有方法那样先在风格结果上训练 LoRA，再用一致性插件去适配（这往往带来冲突）；而是直接利用原图与其高一致性风格化结果的成对关系，专门学习图像在风格迁移中的一致性保持规律。
具体做法是：将原图经过 VAE 编码得到的 clean latent token 拼接到 denoise token 上，通过因果注意力机制引导模型学习配对图像风格化前后的一致性。
2. 两阶段风格 - 一致性解耦训练策略：稳健泛化的关键
为了从训练策略上彻底分离风格表达与一致性保持，我们采用了阶段化解耦训练机制：
- 第一阶段：风格学习。我们基于 22 种不同的艺术风格，用风格化结果图为每种风格独立训练一个 LoRA 模块，最终构建出一个稳定的 风格 LoRA 模块库。
- 第二阶段：一致性学习。在该阶段，我们冻结所有风格 LoRA，用风格化前后的配对数据训练一个轻量级的一致性模块（Consistency LoRA）。我们设计了 LoRA Bank 滚动加载机制，即训练时动态轮换风格 LoRA 与其对应的训练子集。这样能确保一致性模块专注于跨风格保持结构和语义，而不学习任何具体风格内容。
这种训练解耦策略在保持风格表达能力的同时，极大提升了模型对多风格场景下的一致性泛化能力。
3. 模块化架构设计：即插即用，兼容性强
OmniConsistency 被设计为一套完全模块化的插拔系统，兼容性极强：
- Plug-and-Play LoRA：一致性模块专门作用于条件分支，与风格 LoRA 使用独立 “插槽”，二者在架构上无参数冲突。因此，任何 HuggingFace 社区风格 LoRA 模型均可直接与 OmniConsistency 联动，无需修改或重训练。
- 因果注意力：不同于 Flux 和之前的可控性生成工作， 我们将双向注意力机制改成 Causal Attention. 我们定义了一个注意力 mask， 限制 Condition token 的 Query 和 Noised&Text Token 的 Key 计算注意力。 这样的好处是 Flux 的 Noised&Text 分支上没有新增可训练的 LoRA 参数， 完全为风格化 LoRA 腾出挂载位点。
- 兼容 EasyControl/ IP-Adapter 等控制信号：由于一致性模块采用因果注意力 + 条件注入策略，其他控制方法也可无缝集成，互不干扰。
数据集构建
我们采用 GPT-4o 自动生成了一套高质量配对数据：设计 22 种不同风格的提示词，上传原始图像，生成对应的风格化版本，还配上详细文本描述。
然后，我们通过人工筛选，剔除了风格不一致、细节错误、姿态错位等问题图，最终精选出 2600 对高质量图像对，涵盖了动漫、素描、像素画、水彩、赛博朋克等风格。
效果如何？
直接上图， OmniConsistency 能很好的维持风格化前后构图、语义、细节一致，对人物面部特征的维持也有一定作用。对多人合影等复杂场景，很好的维持了人数、姿势、性别、种族、年龄，甚至还能维持图片中的英文文字正确性。
OmniConsistency 对训练阶段没见过的风格 LoRA 也有很好的泛化作用。
定量评估
论文构建了一个全新数据集，包括：22 种风格、2600 对高质量图像对， 由 GPT-4o 构建并进行人工筛选。用 100 张复杂场景测试图（多人合影、建筑、动物等）作为 benchmark。使用 LibLib 网站上 5 个训练阶段未见过的全新风格 LoRA ，进行定量计算。
采用用多项指标全面评估，包括风格一致性评估（FID、CMMD、DreamSim、CLIP Image Score、GPT-4o Score）；内容一致性评估（DreamSim、CLIP Image Score、GPT-4o 评分）；图文对齐（CLIP Score）。
总结
风格一致性：FID 和 CMMD 指标显著优于基线，风格化程度接近 LoRA 文生图 效果。
内容一致性：复杂场景下的细节、语义、结构保持能力大幅提升。
泛化能力：在未见过的 LoRA 风格上泛化效果出色，显示出强大的风格无关性。
轻量高效：得益于特征复用和位置编码差值技术，推理显存与时间开销相比 Flux text2image pipeline 仅增加约 5%，适合部署到生产环境。
即插即用、广泛兼容：模块化设计支持与社区 LoRA、EasyControl、IPAdapter 等主流插件无缝集成，无需重训即可使用。
