本研究提出Concat-ID框架，旨在解决身份保持的视频生成问题。该框架利用变分自编码器提取图像特征，并结合视频潜变量，实现连贯的视频生成。研究表明，Concat-ID在单一和多身份生成中表现优越，具有广泛的应用潜力。

本文提出了一种基于扩散模型的个性化人脸修复方法FaceMe，有效解决了盲人脸修复中的身份保持问题。实验结果表明，FaceMe在恢复高质量人脸图像时能够有效保持身份一致性，展现出良好的应用潜力。

该研究提出了一种混合训练框架，结合静态图像与视频数据，解决了视频人脸交换在时间一致性和复杂场景处理中的不足，显著提高了身份保持和视觉质量。

本研究提出了InstantRestore框架，通过单步图像扩散模型和注意力共享机制，实现快速个性化面部恢复。引入的地标注意力损失增强了身份保持，实验结果表明该方法在质量和速度上优于现有技术，适合大规模应用。

本研究提出了一种新框架，解决了三维头部风格化在保持人物身份方面的不足。通过负对数似然蒸馏，显著提升了身份保持和风格化质量，为三维头部风格化和模型蒸馏提供了新见解。

本文提出了一种全面数据驱动的方法，用于合成虹膜图像，能够表示不同瞳孔尺寸和非现有身份的虹膜图像，并在改变瞳孔尺寸时保持身份。与现有的虹膜变形模型相比，该方法在相似性和身份保持方面表现更好。