标签
HOMIE是一个用于人-物中心视频个性化的框架，它整合了MLLM特征以提高主体保真度和交互模式，达到了最先进的性能。
本文提出了一种新颖的方法，将扩散模型以多模态大语言模型（MLLMs）为条件，用于主体驱动图像生成，使用基于VAE的身份条件化和双层聚合模块，提高语义理解和身份保持，同时减轻复制粘贴伪影。