本研究提出了Face Adapter with Decoupled Training (FACT)框架，旨在解决个性化图像生成中的性能下降问题。通过解耦身份特征与其他属性的提取，提升了生成面孔的可控性和多样性。实验结果表明，FACT在文本到图像生成和肖像生成中的保真性和可控性显著改善。

该文综述音频驱动说话人脸生成技术，涵盖学习分解的视听表示、三维面部动画、姿势可控对话脸、AMIE视听一致性、DIRFA多样化动画、3DiFACE扩散模型及FaceTalk三维头部运动合成等方法，实现唇形同步、表情与姿态控制，并在多个数据集上优于基线。