DreamBooth 技术能解决什么问题?
DreamBooth 解决的是文本到图像模型的一个核心短板：给定某个具体主体（比如你自己的钟表、宠物或某件物品）的几张照片，模型无法在保持其关键视觉特征的前提下，把这个主体合成到全新场景里。DreamBooth 的做法是用少量主体图像微调预训练扩散模型，让模型把一个唯一标识符与该主体绑定，之后就能用这个标识符生成该主体在不同场景、姿态、视角和光照下的全新图像。
问题出在哪里
现有的大型文本到图像模型（如 Imagen）能根据文本提示生成高质量、多样化的图像，但它们缺乏模仿给定参考集中主体外观的能力。
DreamBooth 论文用一只钟表举例说明这个困难：即使反复迭代一段非常详细的提示词——"复古风格的黄色闹钟，白色表盘，表盘右侧有一个黄色的数字三，位于丛林中"——Imagen 也无法重建这只钟表的关键视觉特征。也就是说，纯靠文字描述，模型抓不住某个具体主体的独特外观。
DreamBooth 的做法
核心思路是"个性化"文本到图像扩散模型，使其专门适配用户的需求：
- 输入：某个主体的少量图像（论文强调"just a few images"）。
- 微调：在预训练文本到图像模型（论文使用 Imagen，但方法不限于特定模型）上进行微调。
- 绑定标识符：让模型学会把一个唯一标识符与该特定主体关联起来。
- 生成：主体被嵌入模型的输出域后，用这个唯一标识符就能合成该主体在全新场景中的逼真图像。
关键机制：自生类别特定先验保留损失
DreamBooth 引入了一个新的 autogenous class-specific prior preservation loss（自生类别特定先验保留损失）。
它的作用是：利用模型本身已嵌入的语义先验，让模型在合成主体时能够泛化到参考图像中没有出现过的场景、姿态、视角和光照条件，同时不丢失主体的关键特征。这是 DreamBooth 能"举一反三"而不是简单复制参考图的关键。
能完成哪些任务
论文将方法应用于若干此前难以实现的任务，且都保持主体的关键特征：
- 主体重语境化（subject recontextualization）：把主体放进全新场景。
- 文本引导的视角合成（text-guided view synthesis）：按文本描述生成新视角。
- 外观修改（appearance modification）：改变主体的外观表现。
- 艺术渲染（artistic rendering）：把主体渲染成艺术风格。
一句话判断是否适合你
如果你的需求是"让模型记住某个具体主体，并把它放到任意想象得到的场景里"，DreamBooth 正是为此设计的；如果你只需要生成泛化的、不指向特定主体的图像，普通文本到图像模型已经够用，不需要这一步微调。