从开环到闭环：用于生成参考一致图像的测试时迭代优化框架

虽然可控图像生成通过结合视觉参考条件取得了重大进展，但现有方法主要作为开环系统运行。它们以严格前馈的方式注入控制信号，由于缺乏主动反馈和纠错机制，无法保证对参考的严格保真度。为了解决这个基本限制，我们提出了一种新颖的测试时迭代优化框架，它将参考一致生成重新表述为闭环动态跟踪问题。通过将预先训练的生成模型视为控制设备，我们的框架采用了由修改后的比例积分微分 (PID) 算法驱动的传感器控制器架构。该机制根据检测到的生成输出与参考目标之间的差异，迭代优化测试时的潜在控制信号。值得注意的是，这种方法完全是 无需训练，与模型无关，并且与现有的扩散管道无缝集成。对 ID 保留、姿态控制和深度控制生成任务的广泛评估验证了我们方法的通用性。实证结果表明，相对于计算匹配的开环基线有所改进，面部相似性的相对性能提升高达 25.36%，同时姿势对齐的空间误差降低高达 27.71%，深度一致性的空间误差降低高达 28.50%。更广泛地说，这项工作提供了一个新的概念视角：它证明了可控生成可以作为动态反馈系统进行有效管理，将经典控制理论的严格原理带入生成模型的优化中。代码可在 https://github.com/zzdrill/From-Open-Loop-to-Closed-Loop 获取。