美图 ECCV 论文：CFT 框架解决人像重打光不稳定难题
机器之心 · wechat · 2026-08-22
美图影像研究院（MTLab）提出 Consistent Feature Transport（CFT）方法，旨在解决现有扩散模型在人像重打光任务中面临的光照不稳定、阴影错乱及身份改变等问题。该研究将重打光重新表述为光照一致的特征传输问题，基于 RectifiedFlow 框架显式学习源图与目标图分布间的光照变换，并利用“同光照变换、不同内容”的配对数据监督核心损失函数，避免模型拟合特定内容差异。
核心思路与数据集
- 三阶段训练：包括噪声到目标图的条件生成、噪声到源图的重建（保持非光照内容），以及核心的源图到目标图的一致性特征传输。
- 大规模数据集：团队构建了覆盖室内外 14 类光照效果的大规模数据集，强调多色温与空间结构化照明。
实验结果
- 在像素保真、感知相似度等指标上，CFT 优于现有方案，尤其在多光源交互、色温偏移等困难场景下稳定性表现最佳。
- 消融实验显示，完整 CFT（L₁+L₂+L₃）在 SSIM、PSNR、LPIPS、FID 四项指标上均获最高分。
- 该方法在 OmniStyle 等风格迁移任务中验证了泛化能力，目前已集成至 Picchi、AirBrush 等美图产品。
「多模态」频道最新
- 动画短片《The Very Next Day》制作揭秘：2D 关键帧+定制 IC-Lora — paultrillo · 2026-10-16
- fal 推出 Worlds 生成世界平台，设计师公开品牌与交互设计 — adamho · 2026-10-16
- Slopcannon 改用 Muse Wonder 当默认「导演」，支持自选前沿模型 — basedjensen · 2026-10-16
- 用 Claude Code + Hyperframes 两小时量产 200 条视频 — mcraddock · 2026-10-16
- 创作者展示 AI 生成作品《Alien Rebel》第二版 — creatoroff · 2026-10-16
- Mirage Tesseract 发布:Claude/ChatGPT 可产出全 HDR 视频 — LinusEkenstam · 2026-10-16