Insert Anything：开源图片编辑框架，可以换脸、换服装等功能

Insert Anything 介绍

Insert Anything 是一个由浙江大学、哈佛大学和南洋理工大学联合提出的统一图像插入框架，可以将参考图像中的对象无缝集成到目标场景中，支持多种实际应用场景，如艺术创作、逼真的脸部交换、电影场景构图、虚拟服装试穿、配饰定制和数字道具更换。

Insert Anything技术原理

1. AnyInsertion 数据集

规模与内容：该框架基于一个包含 12 万个提示-图像对的 AnyInsertion 数据集，涵盖了人物、物体和服装插入等多种任务。

多控制模式：数据集支持两种控制模式，即掩码提示（58K 对）和文本提示（101K 对），为模型提供了丰富的训练样本。

2. Diffusion Transformer (DiT)

多模态注意力机制：Insert Anything 利用 DiT 的多模态注意力机制，支持掩码和文本引导的编辑。该机制通过图像分支和文本分支分别处理视觉输入和文本描述，然后通过多模态注意力融合这些信息。

图像分支：处理参考图像、源图像和掩码，提取视觉特征并与噪声拼接。

文本分支：编码文本描述以提供语义引导。

3. 上下文编辑机制

双联画与三联画提示策略：

掩码提示双联画：左侧为参考图像，右侧为带有掩码的目标图像。

文本提示三联画：左侧为参考图像，中间为源图像，右侧为文本生成的结果。

功能：该机制将参考图像视为上下文信息，通过隐式交互确保插入元素与目标场景的视觉一致性，同时保留其独特特征。

优势

通用性：单一模型能够处理多种插入任务，避免了为每个任务单独训练模型。

灵活性：支持掩码和文本两种控制模式，满足不同用户的编辑需求。

视觉一致性：通过上下文编辑机制，确保插入元素与目标场景自然融合。

Insert Anything应用场景

艺术创作：将艺术元素无缝插入到不同的背景中。

商业广告：将产品图像插入到广告场景中。

流行文化创作：将流行文化元素插入到相关场景中。

项目链接

项目主页：https://song-wensong.github.io/insert-anything/

论文：https://arxiv.org/abs/2504.15009

Github：https://github.com/song-wensong/insert-anything