一句话结论
DreamBooth 证明统一 T2I 基础模型可以用 3–5 张图和约 5 分钟逐主体微调扩展到高保真个性化生成；但它也说明高保真长尾需求仍依赖专用 checkpoint、正确类别绑定和 prior-preservation，支持“统一底座 + 专用适配”而非单一冻结模型包办全部任务。
论文定位
论文定义 subject-driven generation：把某个具体主体绑定到稀有标识符，在新场景、姿态、视角和艺术风格中重新生成。它不是保持一张输入图背景的普通编辑器；每个主体都先经过独立个性化训练。
问题定义
通用 T2I 模型有强类别语义，却不能用文字准确复现某个特定狗、背包或闹钟。核心张力是同时保持主体身份、prompt fidelity 和生成多样性，避免少样本微调记住背景或让整个类别坍塌到该实例。
方法概述
- 用低先验 rare token 与正确 class noun 组成
[V] dog一类 prompt，借用基础模型类别先验学习实例。 - 为最高主体保真微调模型所有层，而不是只学 token embedding。
- class-specific prior preservation loss：原模型先生成约 1,000 张类别图，微调时与主体图共同监督，抑制 language drift 与类别多样性坍塌。
- 默认约 1,000 iterations、$\lambda=1$；Imagen 学习率 $10^{-5}$，SD 为 $5\times10^{-6}$；在 TPUv4/A100 上约 5 分钟（PDF pp.3–5）。
数据集与实验
- 30 个主体：21 个物体、9 个活体/宠物；每主体/提示生成 4 图，共 3,000 个评估样本（PDF pp.5–6）。
- subject fidelity：DINO、CLIP-I；prompt fidelity：CLIP-T。
- 用户研究：72 人、总计 1,800 answers。
核心结果
PDF p.5，Table 1–2：
| 方法 | DINO↑ | CLIP-I↑ | CLIP-T↑ |
|---|---|---|---|
| DreamBooth Imagen | 0.696 | 0.812 | 0.306 |
| DreamBooth SD | 0.668 | 0.803 | 0.305 |
| Textual Inversion SD | 0.569 | 0.780 | 0.255 |
用户偏好中，DreamBooth SD 的主体保真/提示保真为 68%/81%，Textual Inversion 为 22%/12%。这些数字支持相对 Textual Inversion 的优势，不应外推到所有后续参数高效方法或一般图像编辑。
关键消融
- PPL：PRES 从 0.664 降到 0.493、DIV 从 0.371 升到 0.391，但 DINO 从 0.712 降到 0.684；它用少量实例相似度换更少类别坍塌与更高多样性（PDF p.6，Table 3）。
- 类别词：正确类别 DINO/CLIP-I 0.744/0.853；无类别仅 0.303/0.607，错误类别 0.454/0.728（Table 4）。
- 输入图数量：背包与狗在 4 图达到 DINO 峰值 0.604/0.876，5 图略降；3–5 图是经验区间，不是“越多越好”（supp. p.16，Table 5）。
局限或疑问
- 稀有 context、低共现主体—概念组合会失败；context 可能改变主体外观。
- prompt 接近训练环境时会记忆训练图；罕见主体变化更少，也会幻觉身份细节（PDF p.8，Fig.9）。
- 每主体全模型 checkpoint 带来存储、部署和多主体组合成本，论文未系统评估。
- 30 主体与单一同期强基线足以建立任务，但不能覆盖长尾主体、版权角色和多主体场景。
- 个性化图像可能用于误导，补充材料明确指出社会风险。
对当前 Wiki 判断的影响
统一还是专用/模块化
DreamBooth 同时支持两端：大规模统一底座提供可迁移语义先验；高保真个性化却依赖逐主体专用训练。这是“统一基础模型 + 专用适配长期共存”的强证据，不是一个冻结统一 checkpoint 已覆盖全部需求的证据。
数据还是架构
这是间接编辑证据。3–5 张实例图可触发新主体能力，而类别词和 PPL 决定是否正确借用/保留先验。更准确的分解是：预训练数据决定可借用的世界知识，少样本给出主体证据，优化目标决定适配是否遗忘。