본 논문은 특정 대상의 핵심 특징을 보존하면서 다양한 맥락에서 새로운 이미지를 합성하는 것을 목표로 하는 대상 중심 이미지 생성에 대해 다룹니다. 강력한 정체성 일관성과 높은 프롬프트 다양성 사이의 근본적인 트레이드오프 문제를 해결하기 위해, 잠재적 연결 전략과 마스크된 조건부 흐름 매칭 (CFM) 목적을 결합한 LoRA 기반 미세 조정 확산 모델을 제안합니다. 이 모델은 아키텍처 변경 없이 견고한 정체성 보존을 가능하게 합니다. 대규모 학습을 위해, 데이터 복원 및 VLM 기반 필터링을 활용하여 고품질 시드 데이터 세트를 생성하는 2단계 증류 데이터 큐레이션 프레임워크를 도입하고, 큐레이션된 예시를 사용하여 매개변수 효율적인 미세 조정을 수행합니다. 또한, 필터링 및 품질 평가를 위해, 정체성 일관성, 프롬프트 준수, 지역별 색상 충실도, 시각적 품질 및 변환 다양성 등 다섯 가지 주요 축을 기준으로 속성 수준의 비교를 수행하는 CHARIS 평가 프레임워크를 제시합니다.
