Групповые картинки лучше сохраняют лица и реже дублируют людей

Проблема здесь не только в том, чтобы нарисовать похожее лицо. Когда в сцене много людей, модели нужно ещё правильно связать каждую фотографию с отдельным человеком и посадить его в нужное место. Иначе лица смешиваются, один человек появляется дважды или несколько персонажей получают одну и ту же внешность.

WithEveryone решает это в несколько шагов. Сначала система превращает каждую заданную личность в отдельный «адресованный» элемент, чтобы не потерять, к кому относится конкретная фотография. Затем она строит план сцены: кто где находится и какое лицо должно оказаться в каждой области. Этот план подаётся модели как дополнительная визуальная подсказка перед созданием итоговой картинки.

Авторы отдельно обучили систему проверять соответствие личности прямо в отмеченной области лица. Это важное отличие от сравнения абстрактных числовых описаний лиц: при шумных промежуточных результатах такой способ может давать нестабильные сопоставления. Ещё до финальной генерации модель заставляют спрогнозировать представление каждой личности — так она получает отдельный сигнал для каждого человека, а не пытается разобраться со всеми лицами одновременно уже в готовой сцене.

Проверка проходила на наборе, где личности для теста не пересекались с теми, на которых систему обучали. Это показывает способность работать с незнакомыми людьми, но не отвечает на все практические вопросы: например, как метод поведёт себя на сложном освещении, перекрывающихся лицах или фотографиях разного качества.