One-Prompt-One-Story: Free-Lunch Consistent Text-to-Image Generation Using a Single Prompt
文生图模型很难支持故事叙述中一致的身份保留要求。（要么通过训练，要么通过修改模型结构）.本文利用语言模型的语境一致性，即通过单一提示的语境来理解身份。这种方法将所有提示连接作为一个整体作为T2I模型的单个输入，同时采用两种技术来改进生成过程：奇异值重加权和身份保持交叉注意。
什么是语言模型的语境一致性？
在长提示符中，身份信息是通过上下文理解隐式维护的，我们称之为语言模型的上下文一致性。
例如：A dog is watching the movie. Afterward, the dog is lying in the garden.（我们可以知道在这一段话中，这只狗代表的是同一只狗，因为在同一段话出现）
这里有个实验说明：单提示生成设置下，文本嵌入空间中彼此之间的语义距离相对较小，而跨多提示生成设置的文本嵌入空间彼此之间的语义距离相对较大。
主体提示符 P0 = “A watercolor of a cute kitten”
5个子提示符 P(1~5) = "in a garden, “dressed in a superhero cape”, “wearing a collar with a bell”, “sitting in a basket”, “dressed in a cute sweater”
作者比较了不同设置下的文本编码在文本嵌入空间中：
- 多提示生成的设置下，即 Ci = TextEncoder（P0,Pi）
- 单提示设置下，即 C = TextEncoder（P0,P1,P2,…,PN）
作者这里用 t-SNE 做了 2D 的可视化，可以看到即在单提示设置下，Pi的语义距离相对较小。
如何利用朴素的重加权方法（NPR）来实现图像空间中的上下文一致性？
Naive Prompt Reweighting (NPR)：即使用连接起来的总提示符作为输入，生成第i个场景，就通过一个放大因子重新加权对应于所需场景的提示嵌入，同时通过一个缩小因子重新缩放其他场景提示的嵌入。
缺点: T2I模型虽然综合了具有相同主体身份的帧图像。然而，背景在这些帧之间混合，
(一)1prompt1story: Singular-Value Reweighting 奇异值重加权
TextEncoder(P0, P1, . . . , PN) = [cSOT , cP0 , cP1 , . . . , cPN , cEOT ]
X e x p = [ c P j , c E O T ] X^{exp} = [c^{Pj} , c^{EOT} ] Xexp=[cPj,cEOT]
X s u p = [ c P 1 , . . . , c P j − 1 , c P j + 1 , . . . , c E O T ] X^{sup} = [c^{P1} ,... ,c^{P_{j-1}},c^{P_{j+1}},...,c^{EOT} ] Xsup=[cP1,...,cPj−1,cPj+1,...,cEOT]
作者根据生成是否所需，将Pi分为两个部分：一个部分是需要表现出来的标识为P_sup,另一个部分是需要被抑制的为P_sup。
同时除了提示符本身包含的语意外，[EOT] 也包含很重要的语义信息.
详细过程如下：
SVR+
SVR-
在求解得到奇异值后，作者用 β , α \beta,\alpha β,α 来调整奇异值的大小（抑制则为负，需要表达的则为负）
(一)1prompt1story: Identity-Preserving Cross-Attention 身份保留交叉注意
这里做法比较简单，在某个时间t，通过奇异值分解得到新的text embedding后，会通过交叉注意来注入语义信息。（文本信息作为K和V）
前面我们知道，提示符的构成是（P0,P1,…,PN）,P0是主题提示符，P1,…,PN是其他动作、场景描述符号。作者把 Pi 对应的K矩阵的部分设置为0，然后再将他与原来的 K concat起来，作为新的K。（V矩阵同理）
感觉这个操作初始看可能比较极端，所以作者将他concat起来，避免语义信息上的过分损失。因为在前面的express和suppress的操作，会影响单个提示内的上下文一致性，导致生成的图像在身份上的相似性略有降低。
实验
- 消融实验
