Este artículo se centra en la generación de imágenes humanas personalizadas que representan identidades específicas a partir de imágenes de referencia. Si bien los métodos existentes han logrado una preservación de identidad de alta fidelidad, se limitan a escenarios de identificación única y carecen de capacidades de edición facial. En este artículo, presentamos DynamicID, un marco de trabajo sin necesidad de ajustes que permite la generación de personalización de identificación única y múltiple con alta fidelidad y capacidades flexibles de edición facial. Entre las innovaciones clave se incluyen la Atención Activada Semántica (SAA), que minimiza la interferencia del modelo base al inyectar características de identificación y logra la personalización de múltiples identificaciones sin múltiples muestras de identificación durante el entrenamiento; el Reconfigurador de Identidad-Movimiento (IMR), que separa y reconfigura eficazmente el movimiento facial y las características de identificación para permitir la edición facial flexible; un paradigma de entrenamiento con separación de tareas que reduce la dependencia de los datos; y el conjunto de datos VariFace-10k, donde 10 000 individuos únicos están representados por 35 imágenes faciales diferentes cada uno. Los resultados experimentales muestran que DynamicID supera a los métodos de última generación en términos de fidelidad de identidad, capacidades de edición facial y capacidades de personalización de múltiples identificaciones.
