Textual Inversion — 给新概念学一个专属 token
已复核 · 稳定内容An Image is Worth One Word: Personalizing Text-to-Image Generation using Textual Inversion 是一篇 Diffusion / Personalization 论文。本卡只基于 arXiv 官方元数据和论文静态阅读做研究整理；没有运行作者代码，也没有复现论文分数。
类比：像给家里的猫起一个只有模型懂的外号，以后 prompt 里写这个外号就能召回它的视觉特征。
它在本轮 40 篇里的位置是 Batch 9 / controllable generation：不是孤立收藏，而是补上 study 论文图谱里还缺的一块。
用户想把一个新物体、新风格或新人物概念加入模型，但不想全量微调扩散模型。
如果把它放进产品工程语境，核心问题是：团队到底应该把不确定性留给模型本身，还是拆给数据、工具、训练目标、评测和系统约束分别处理。
- 它给后续研究提供了一个可引用的名字和问题边界。
- 它把一个模糊能力拆成了可以讨论的机制或流程。
- 它提醒我们不要只看最终 benchmark，而要看数据、约束和验收方式。
- 它能和本库已有笔记形成交叉链接，方便以后按主题复习。
| 设计 | 作用 |
|---|---|
| 冻结生成模型 | 不更新 diffusion backbone。 |
| 学习新 token embedding | 用少量图片优化一个伪词向量。 |
| 组合式 prompt | 把新 token 和已有文本描述组合使用。 |
这三点合在一起，给这篇论文建立了一个最小可理解模型：先看它把问题切在哪里，再看它把哪部分交给模型、哪部分交给外部结构。
手工 toy 复现
Section titled “手工 toy 复现”给 3 张手工陶杯照片，学习 <my-cup>，之后写“a watercolor painting of
这个 toy 复现只验证机制直觉，不声明论文原始指标已复现。真正升级为 VERIFIED 需要独立执行证据和 review receipt 绑定。
- 一个 embedding 容量有限：一个 embedding 容量有限，复杂主体可能学不完整。
- 训练图太少会过拟合：训练图太少会过拟合，太杂会概念漂移。
- 组合能力取决于底座模型原有知识。：组合能力取决于底座模型原有知识。
- token 文件传播也可能携带未经授权的主体特征。：token 文件传播也可能携带未经授权的主体特征。
- Textual Inversion 是“只调控制向量，不改模型”的图像版 PEFT。
- 它比 DreamBooth 更轻，但表达能力也更有限。
- 个性化生成的最小交付物可以只是一个 embedding。