WeGen – 中科大联合上海交大等推出的统一多模态生成模型

WeGen是什么

WeGen 是中国科学技术大学联合上海交通大学、微信团队、中国科学院等机构推出的统一多模态生成模型，基于自然对话实现多样化的视觉生成任务。WeGen结合多模态大语言模型（MLLM）和扩散模型，处理文本到图像生成、条件驱动生成、图像编辑、风格迁移等多种任务。WeGen 的核心优势能在用户指令较模糊时提供多样化的创意输出，在用户有具体需求时保持生成结果与指令和参考图像的一致性。WeGen 基于动态实例一致性（DIIC）数据管道和提示自重写（PSR）机制，解决实例身份一致性和生成多样性两大挑战，展现出作为用户友好型设计助手的潜力。

WeGen的主要功能

• 文本到图像生成：根据文本描述生成高质量的图像。
• 条件驱动生成：基于特定条件（如边缘图、深度图、姿态图）生成图像。
• 图像编辑与修复：对现有图像进行修改、修复或扩展。
• 风格迁移：将一种图像的风格应用到另一张图像上。
• 多主体生成：在生成图像时保留多个参考对象的关键特征。
• 交互式生成：基于自然对话与用户交互，逐步优化生成结果。
• 创意设计辅助：为用户提供多样化的生成选项，激发创意。

WeGen的技术原理

• 多模态大语言模型（MLLM）与扩散模型结合：基于CLIP作为视觉编码器，将图像转化为语义特征；用扩散模型（如SDXL）作为解码器，生成高质量图像。，LLM（如LLaMA）处理自然语言指令，实现文本与视觉信息的融合。
• 动态实例一致性（DIIC）：用视频序列跟踪对象的自然变化，保持其身份一致性。DIIC数据管道解决传统方法在实例身份保持上的不足，让模型在修改图像时保留关键特征。
• 提示自重写（PSR）机制：基于语言模型重写文本提示，引入随机性，生成多样化的图像。PSR用离散文本采样，让模型探索不同的解释，保持语义一致性。
• 统一框架与交互式生成：WeGen将多种视觉生成任务整合到一个框架中，基于自然对话与用户交互，逐步优化生成结果，保留用户满意的部分。
• 大规模数据集支持：WeGen从互联网视频中提取的大规模数据集进行训练，数据集包含丰富的对象动态和自动标注的描述，帮助模型学习一致性和多样性。

WeGen的项目地址

• GitHub仓库：https://github.com/hzphzp/WeGen
• arXiv技术论文：https://arxiv.org/pdf/2503.01115

WeGen的应用场景

• 创意设计：帮助设计师快速生成创意概念图，激发灵感，适用于广告、包装、建筑等领域。
• 内容创作：为影视、游戏、动漫等行业生成场景、角色或道具的概念图，加速创作流程。
• 教育辅助：生成与教学内容相关的图像，帮助学生更直观地理解抽象概念。
• 个性化定制：根据用户需求生成定制化的设计方案，如服装、家居装饰等。
• 虚拟社交与娱乐：生成虚拟形象、场景或道具，增强虚拟社交和游戏的体验感。