本研究提出了一种名为AC-LoRA的新方法，解决个性化图像生成中LoRA参数调整的问题。该方法通过奇异值分解和动态启发式算法，实现了快速高效的个性化艺术风格图像生成，模型适应性显著提高，验证结果显示多个指标平均提升9%。

本研究提出了PersonaCraft，一种结合扩散模型和3D人体建模的方法，旨在解决个性化图像生成中的多人物遮挡和全身形状个性化问题。实验结果表明，该方法在生成高质量多人物图像方面表现优越，推动了个性化图像合成的新标准。

本研究提出了DreamCache，通过特征缓存实现无微调的轻量级个性化图像生成，解决了个性化图像生成中的训练复杂性和推理成本问题，显著提高了计算效率和灵活性，并在图像与文本对齐方面达到了先进效果。

我们提出了一种新模型Subject-Diffusion，支持个性化图像生成，无需微调，仅需参考图像。构建了7600万图像的数据集，设计了统一框架，融合文本与图像语义，提升生成准确性。实验结果表明，该方法优于其他框架。

本研究提出了FACT框架，通过解耦身份特征与其他属性，提升个性化图像生成的可控性和多样性。实验表明，FACT在文本到图像和肖像生成中显著改善了保真性和可控性。

我们提出了Subject-Diffusion模型，可以通过单个参考图像在开放域中生成个性化图像，无需微调。利用自动数据标注工具和LAION-Aesthetics数据集，构建了7600万图像的数据集。该模型结合文本和图像语义，实现高准确性和多主体生成。实验结果显示，该方法优于其他框架。

PortraitBooth是一种高效、鲁棒的个性化图像生成方法，使用人脸识别模型的主题嵌入来生成个性化图像，避免了费时的微调过程，保持了原始图像的身份，并通过情感感知的跨注意力控制实现了生成图像中多样的面部表情，支持基于文本的表情编辑。