ECCV'26 Oral｜人物不能变、姿势要对齐、风格还得一致：DyRef突破多参考约束下的图像生成难题

给图像生成模型一张人物参考图，它大概率能抓住身份特征。

再给一张背景图，它也许还能把人放进去。

但如果一次给它5张、6张甚至7张不同类型的参考图：一个人物、一张背景、一种姿势、一种光照、一个风格，还要求它把这些信息组合成一张自然、统一、符合指令的新图呢？

问题就开始出现了。

模型可能记住了人物，却忘了姿势；套上了背景，却丢了风格；光照、构图、主体关系更容易互相“打架”。

这其实是当前图像生成走向专业应用时绕不开的问题。真实的设计工作很少只靠一句prompt或一张参考图完成。广告视觉、IP形象延展、海报设计、视频关键帧生成，往往都需要同时参考人物、场景、姿态、风格、光影等多种视觉条件。

也就是说，图像生成模型不只要“看懂一张图”，还要学会在多张参考图之间做协调。

针对这一问题，研究团队提出了DyRef，一个面向复杂多参考图像生成的动态优化框架。该工作已被ECCV 2026接收，并被选中为Oral Presentation。

论文提出的核心观察很直接：当前主流开源图像生成模型，在少量参考图场景下表现尚可；但随着参考图数量增加、参考类型组合变复杂，生成质量会明显下降。

△当参考图片的类型或数量一多时，开源模型往往难以根据指令保持所有对应参考源的内容一致性，性能会急剧下降。

多参考图像生成，不只是“多看几张图”

多参考图像生成听起来像是把多张图片一起塞给模型。

但真正难的地方在于，每张参考图承担的角色并不一样。

有的图提供主体身份，比如“这个人是谁”；有的图提供背景，比如“场景在哪里”；有的图提供姿势，比如“人物怎么站”；有的图提供光照，比如“整体明暗关系如何”；还有的图提供风格，比如“画面应该像水彩、电影海报还是复古摄影”。

对人类设计师来说，这是很自然的工作流：从不同素材里抽取不同视觉要素，再组合成新的画面。

但对生成模型来说，这是一场“多约束协同考试”。

如果模型只是粗略地把所有参考图混在一起，很容易出现信息冲突：主体身份被风格覆盖，姿势对齐失败，背景和人物比例不协调，或者干脆只听prompt、忽略部分参考图。

这也是DyRef想解决的问题：让开源图像生成模型在面对更复杂的参考图组合时，性能不至于随着条件变多而迅速下降。

△DyRef的在复杂多参考任务上的表现

先造一个更难的考场：OmniRef-Bench

团队首先发现，现有多参考图像生成benchmark还不够“难”。

很多评测只关注单主体、多主体，或者少量参考类型组合。它们能够测试模型是否能保留人物身份，却不一定能测试模型能否同时处理主体、背景、姿势、风格、光照等多种视觉约束。

于是，团队构建了OmniRef-Bench。这个benchmark包含395个专家标注样本，覆盖5类参考图类型：主体、背景、风格、光照、姿势。每个样本包含2到7张参考图，并覆盖10种不同参考类型组合，最多同时出现4类参考信息。

△（a）OmniRef-Bench的一部分测评样例展示。（b）OmniRef-Bench的参考类型组合以及对应的参考图片数量分布

更重要的是，OmniRef-Bench不是只依靠单一评估方式给生成结果打一个笼统分数。团队从客观量化指标和闭源模型打分两方面进行分析。

对于不同参考类型，它设计了更细粒度的评估维度。例如，主体要看身份一致性，背景要看场景匹配，风格要看视觉风格迁移，光照要看明暗关系，姿势要看动作是否对齐。

这让模型很难靠“画得好看”蒙混过关。

因为在复杂多参考任务里，画面好看只是第一步。更关键的是：该保留的参考信息有没有都保住。

DyRef：让模型别只会做“简单题”

为了解决这一问题，团队提出了DyRef。

DyRef的训练分为两步：

• 第一步，通过监督微调让模型先具备处理复杂多参考任务的基础能力。
• 第二步，引入强化学习，让模型进一步学会在复杂参考图组合中对齐不同视觉条件。

这里最关键的是，DyRef并不是把所有训练样本一视同仁。

复杂多参考任务里，不同样本难度差异很大。两张参考图的简单编辑，和七张参考图的混合约束，显然不是同一类题。

因此，DyRef设计了动态奖励优化机制：训练时更关注模型当前还做不好的复杂样本（DAR），同时把生成结果之间的优劣差距拉开（DRS），让模型更明确地知道哪些结果值得学习。

简单说，DyRef想做的不是让模型“多看几张图”，而是让模型真正学会：哪些参考信息该保留，哪些视觉条件该组合，以及当多种条件冲突时该如何协调。

△DyRef整体框架。

仅14K数据微调，使得开源模型复杂多参考能力和Nano Banana Pro相当，并超越Seedream4.5

在OmniRef-Bench上，DyRef显著提升了开源模型表现。在OmniRef-Bench的MLLM Evaluation平均分上，Qwen-Image-Edit-2511从4.97提升到8.38，明显缩小了与Nano Banana Pro的差距，并超过Seedream4.5的8.13。

尤其是在参考图数量更多、参考类型更复杂的任务中，DyRef有效缓解了原始模型性能下降的问题。

同时，在其他多参考图片生成测评基准MultiBanana和OmniContext上，DyRef相比于基线方法也同样取得提升。

△各方法在OmniRef-Bench上的结果

△各方法在OmniContext上的结果

△各方法在MultiBanana上的结果

多参考能力提升了，单图编辑也没有被牺牲

一个自然的问题是：模型专门练复杂多参考，会不会把原本的单图编辑能力练坏？

实验结果显示，DyRef没有出现这个问题。

在单图编辑测评基准ImgEdit和DreamBench++上，DyRef训练后的模型同样取得了提升。

也就是说，DyRef不仅增强了复杂多参考生成能力，也在一定程度上提升了模型对视觉条件和用户指令的整体理解能力。

△（a）DyRef和现有方法在OmniRef-Bench上的表现（b）DyRef和现有方法在单图编辑任务上的表现

论文标题：《Scaling Multi-Reference Image Generation with Dynamic Reward Optimization》
论文链接：https://arxiv.org/pdf/2606.26947
代码链接：https://github.com/Weistrass/DyRef

文章来自于"量子位"，作者 "DyRef团队"。