본 논문은 참조 이미지에서 특정 신원을 묘사하는 개인화된 인물 이미지 생성에 초점을 맞춘 연구입니다. 기존 방법들이 높은 충실도의 신원 보존을 달성했지만, 단일 ID 시나리오에 국한되고 얼굴 편집 기능이 부족하다는 한계를 지적합니다. 이에 본 논문에서는 단일 ID 및 다중 ID 개인화 생성을 높은 충실도와 유연한 얼굴 편집 기능으로 지원하는 튜닝이 필요 없는 프레임워크인 DynamicID를 제시합니다. 핵심 혁신으로는 ID 특징을 주입할 때 기본 모델의 방해를 최소화하고 훈련 중 다중 ID 샘플 없이 다중 ID 개인화를 달성하는 Semantic-Activated Attention (SAA), 얼굴 움직임과 ID 특징을 효과적으로 분리하고 재구성하여 유연한 얼굴 편집을 지원하는 Identity-Motion Reconfigurator (IMR), 그리고 데이터 의존성을 줄이는 작업 분리형 훈련 패러다임과 1만 명의 고유 개인이 각각 35개의 서로 다른 얼굴 이미지로 표현된 VariFace-10k 데이터셋을 포함합니다. 실험 결과, DynamicID는 신원 충실도, 얼굴 편집 기능, 다중 ID 개인화 기능 면에서 최첨단 방법을 능가함을 보여줍니다.
