扩散模型（Diffusion Models, DMs）如今已成为文本生成图像的核心引擎。凭借惊艳的图像生成能力，它们正悄然改变着艺术创作、广告设计、乃至社交媒体内容 的生产方式。如今，只需一段文字，就能生成一张极具风格的个性化头像，已经不再稀奇。 但，如果我们想要的不只是 "一个人" 的照片呢？ 在朋友缺席的聚会中，我们是否可以 "补全" 一张大家都在的合影？在广告场景中，我们是否可以自由组合多位虚拟角色，讲述一个多人物的故事？个性化的多人 图像生成正成为新的想象力疆域。但同时，它也带来了前所未有的技术挑战。 其中最棘手的，就是 身份特征泄露（ID leakage） —— 明明是两个人，却因为特征混淆，生成出面容 "融合" 的人脸，令人难以分辨谁是谁。更进一步，用户往往 还希望可以 精确指定每个人的位置和动作 ，实现更自然真实的构图和创意有趣的互动。可一旦位置错乱，原本的故事就变了味儿。 从单人走向多人，挑战也随之升级 如今，个性化单人照片生成已能达到令人惊艳的视觉效果。但当我们尝试生成多人互动照片时，问题便不再简单。 本文第一作者为密歇根州立大学计算机系博士生张益萌，系 OPTML 实验室成员，指导老师为刘 ...