InstantID: Zero-shot Identity-Preserving Generation in Seconds

记录由国内首创的一个好玩的小项目，图像生成领域的新进展。但我希望现阶段计算机视觉领域的研究能更聚焦在 语义分割 和 三维视觉 上，这样能更方便与机器人等产品和工业实体结合。

Introduction

InstantID 是一个基于扩散模型的图像生成解决方案，能实现从单一参考图像到多样化风格化写真的快速生成。用户只需上传一张自拍，20 秒就能得到定制版 AI 写真。

无论是古典油画中的贵族，或是未来都市中的赛博朋克英雄，多种风格，切换自如。

体验Demo直达：https://huggingface.co/spaces/InstantX/InstantID

Main

该开源项目的核心在于其 Zero-shot 技术，整个过程无需训练 LoRA 模型，就能实现高保真的 ID 保持。

根据论文《InstantID: Zero-shot Identity-Preserving Generation in Seconds》，InstantID 是一个高效、轻量级、可插拔的适配器，它为预训练的文本到图像扩散模型赋予了强大的身份信息保留能力。

InstantID 不训练文生图模型的 UNet 部分，仅训练可插拔模块，在推理过程中无需 test-time tuning，在几乎不影响文本控制能力的情况下，实现高保真 ID 保持。

如图所示，其技术实现主要基于三个关键组成部分：

1、人脸特征提取：利用预训练的人脸编码器（如 InsightFace 的 antelopev2 模型）提取强语义的人脸特征，以增强图像生成的语义准确性。由于 CLIP 只提供了弱语义表征，无法在人脸等强语义场景下直接应用，考虑了人脸识别领域已经相当成熟，小红书采用预训练的人脸编码器来提取人脸特征。

2、Cross-Attention 机制：通过解耦的交叉注意力机制，将人脸特征（而非 CLIP 表征）作为 Image Prompt 嵌入，增强文本提示的效果，同时保持对生成图像的精细控制。

3、IdentityNet：引入 IdentityNet 对人脸图像进行编码，通过强语义和弱空间的条件控制，进一步提升 ID 的保真度。在实现中，IdentityNet 采用与 ControlNet 一致的残差结构，从而保持原始模型的兼容性。

在 IdentityNet 中，主要有两个对于原版 ControlNet 的修改：

一方面，InstantID 只使用五个面部关键点，而不是细粒度的 OpenPose 面部关键点 （两个用于眼睛，一个用于鼻子，两个用于嘴巴）用于条件输入。

另一方面，InstantID 消除文本提示并使用 ID 嵌入作为条件加入到 ControlNet 中的交叉注意力层。

---

InstantID 在多个方面展现出其独特优势，主要贡献如下：

1. 作为一种全新的 ID 保留方法，有效弥补了训练效率与 ID 保真度之间的差距。
2. 它是可插拔的，与目前社区内文生图基础模型、LoRAs、ControlNets 等完全兼容，可以零成本地在推理过程中保持人物 ID 属性。此外，InstantID 保持了良好的文本编辑能力，使 ID 能够丝滑地嵌入到各种风格当中。加装饰、改发色、换套装，都毫无问题。
3. 实验结果表明，InstantID 不仅超越目前基于单张图片特征进行嵌入的方法（IP-Adapter-FaceID），还与 ROOP、LoRAs 等方法在特定场景下不分伯仲，成本还低。

InstantID 的推出，为视图合成领域带来了显著的效率提升，它不仅能够快速生成风格多样的 AI 写真，而且确保了原图身份特征的完整性。

除了低成本快速生成真人写真，InstantID 还有非常多的玩法，比如允许用户进行五官夸张定制，与宠物的趣味合体，以及实现多身份和风格的创意合成。

Reference

项目主页：https://instantid.github.io

论文地址：https://arxiv.org/abs/2401.07519

代码地址：https://github.com/InstantID/InstantID

Demo 体验：https://huggingface.co/spaces/InstantX/InstantID