OpenSubject: Leveraging Video-Derived Identity and Diversity Priors for Subject-driven Image Generation and Manipulation¶

会议: ECCV 2026
论文: ECCV 2026 官方页
代码: https://github.com/LAW1223/OpenSubject
领域: 图像生成
关键词: 主体驱动生成、图像编辑、视频数据构建、身份一致性、多主体组合

一句话总结¶

OpenSubject 把视频当作主体驱动建模的监督来源——用跨帧类别共识加 DINOv2 最大距离配对，从真实视频里挖出身份一致而外观多样的帧对，再用掩码引导的 outpainting / inpainting 只合成"难输入"、把真帧始终留作目标，得到 2.5M 样本（4.35M 图像）的语料与覆盖生成/操控四个子任务的 OSBench 基准；用它微调 OmniGen2 与 Qwen-Image-Edit-2509，平均分分别提升 +0.60 与 +1.23。

研究背景与动机¶

主体驱动图像生成的目标是在给定文本提示下合成指定主体的图像并保持其身份，它支撑个性化内容创作、肖像/角色重绘和交互式编辑。随着 Diffusion Transformer（DiT）成为主流骨干，单主体设定下的进展相当可观，UNO、DreamO、XVerse、OmniGen2 这类方法已经能把一张参考图融进开放场景。但两类实际失败仍然普遍：生成侧，细粒度身份细节（五官结构、局部纹理）在不同输出之间对不上；操控侧（如身份替换），模型既保不住被替换目标的一致性，又会顺手改动本应原样保留的非目标像素。本文的判断是，这些失败主要不是架构问题而是数据问题——有效监督必须同时满足两点：身份一致，且在视角与场景上足够多样。

现有的数据管线在这两点上各缺一半。合成式管线（Subjects200K、UNO-1M、Echo-4o-Image、MICo-150k）靠强生成模型加提示词批量产配对样本，规模不是问题，但身份一致性建立在生成器先验之上，细粒度一致性偏弱且容易出现身份漂移；检索式管线（MultiID-2M 为代表）从真实合照里直接取配对，真实性更好，却受限于"合适的多人合照"这种素材本身的稀缺，在开放式的多主体场景里也几乎没有控制力。更关键的是，两者基本都是为"生成"设计的，无法成规模地造出主体驱动操控所需的配对数据。于是核心矛盾很清楚：身份一致要求同一个主体被反复观测，多样性又要求视角、光照、场景大幅变化，而纯合成管线把这两件事都交给了生成器，检索管线则被现成素材卡住。

视频正好同时提供了这两个性质：同一个实例在自然变化的视角、光照、运动和交互下被反复观测，而且这个身份信号来自真实视觉证据而非生成器先验。本文的切入角度因此不是"再设计一个更好的生成器"，而是换一套数据配方——只在真实视频里锚定主体"是谁、长什么样"，合成只用来构造任务相关的输入（被遮挡、不完整的观测），目标永远是真帧。核心 idea：把视频当作可扩展的主体一致监督源，用"真帧作目标、合成只作输入"的分工把身份信号与生成器瑕疵解耦，并把同一套配对数据同时支撑主体驱动生成与主体驱动操控。

方法详解¶

整体框架¶

这篇论文的主体工作是一条数据构建流水线，输入是三个公开视频语料（OpenVid、OpenHumanVid、OpenS2V），输出是两样东西：2.5M 样本 / 4.35M 图像的 OpenSubject 语料，以及用于评测的 OSBench。整条流水线分四个阶段顺序执行：先做视频策展（质量筛选），再从跨帧里挖主体并配对，然后合成保身份的参考输入，最后做验证、重生成与描述生成。其中第三阶段有两条支路，分别对应主体驱动生成与主体驱动操控两种任务的输入构造，而两者的目标（ground truth）都是原始视频帧——这是整条流水线最要紧的不对称性：合成只负责把"问题"造难，不负责造"答案"。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["开源视频 + 质量筛选<br/>≥720p 且美学分 ≥5.8"] --> B["跨帧主体挖掘与配对<br/>VLM 类别共识<br/>DINOv2 选最远帧对"]
    B --> C["保身份的参考输入合成<br/>outpainting 造生成输入<br/>inpainting 造操控输入"]
    C --> D["验证–重生成–描述闭环<br/>VLM 验伪 + 失败重生成<br/>输出长短两种描述"]
    D --> E["OpenSubject 语料<br/>2.5M 样本 · 4.35M 图像<br/>输入为合成、目标为真帧"]
    E --> F["OSBench 与分维度评测协议<br/>四子任务 + PA / IF / MF / BC"]
    F --> G["微调下游模型<br/>OmniGen2 / Qwen-Image-Edit-2509"]

关键设计¶

1. 跨帧主体挖掘与配对：用视频的时间一致性换出身份可信且外观多样的帧对

配对样本的前提是"这两帧里的实例确实是同一个主体"，本文不靠人脸损失或人工标注去保证它，而是靠视频的时间结构。具体做法是先把视频切成"主体持续段"——目标实例可以被连续跟踪、类别稳定、没有身份切换和长时间遮挡的连续片段；然后把 clip 均分五段，只在中间段里均匀取四帧（避开首尾段），目的是拿到自然的外观变化而不是冗余的近重复帧。接着做两级验证：先由 Qwen2.5-VL-7B 检测前景主体，只保留占图面积 ≥5% 的实例，并强制跨帧类别共识（取各帧类别集合的交集或多数一致），共识集为空说明该 clip 的主体不稳定，整段丢弃；再用 Grounding-DINO 做实例级定位（物体阈值 0.5、人物阈值 0.8），用框数量、相对面积、长宽比、两两 IoU 这些几何先验剔除退化检测，然后把候选区域裁出来交给 Qwen2.5-VL 判五件事——标签是否正确、是否被遮挡、是否完整、是否运动模糊、人脸是否可见。最后，对通过过滤的帧计算 DINOv2 嵌入，选余弦距离最大的一对作为训练配对；不足两帧有效的 clip 丢弃。

这里有一个容易被误读的点，论文专门做了澄清：DINOv2 只用于"外观多样性选择"，不参与身份判定。身份在配对之前就已经被场景级切分和跨帧类别共识锁定，DINOv2 只是在已经被验证为同一身份的那些帧里挑最不相似的一对。Tab. 2(a) 在 5k clip 上验证了这个职责划分：随机配对时 LPIPS 为 0.31、ArcFace 相似度 0.619，改成最大 DINOv2 距离配对后 LPIPS 升到 0.40（外观多样性明显变大），而 ArcFace 只从 0.619 变成 0.615——也就是说"选差异最大的两帧"这笔账是白赚的，没有拿身份去换多样性。这个设计之所以有效，是因为它把"身份"和"多样性"拆成了两个独立可控的量，而不是像合成管线那样让同一个生成器同时承担二者。

2. 保身份的参考输入合成：真帧留作目标，只把输入造"残"

合成式数据管线最常见的隐患是：生成的目标图上带着生成器的瑕疵和身份漂移，这些瑕疵又被当作监督信号学进模型。本文的做法是把合成从"答案"移到"问题"上——目标始终是原始视频帧，只有输入是合成的，且合成方式是"受控破坏"而非"自由生成"。生成支路上，先用 Grounding-DINO 加 SAM2 得到实例掩码，然后做掩码的拓扑与几何归一化：重叠掩码的处理方式是把嵌套区域从更大的实例里减掉，避免一个主体的像素被带进另一个主体的输入里造成身份泄漏；面积小于 30% 的实例在保持长宽比的前提下放大到 30–40% 之间的随机目标尺寸，所有主体再带着有界抖动重新居中，用布局变化换多样性而不牺牲身份保真。最后用 FLUX.1 Fill [dev] 以主体像素和精修后的掩码为约束做 outpainting，得到"该主体被遮挡或只露出一部分"的输入图。合成前还会对掩码边界做不规则腐蚀，目的是压掉拼缝常见的色带和黑边。

操控支路走的是另一套输入构造。先挑两两边界框重叠很低的多物体图像，随机选一个或多个目标实例作为编辑区域；这条支路不需要分割掩码，直接用边界框定义擦除掩码与对应的输入条件；再用 FLUX.1 Fill 把被擦掉的区域补全。因为擦除框精确地标出了"该换谁、换在哪个位置"，这类配对天然给 referent replacement 提供了定位监督，而框外的内容保持原样，也就顺带把"非目标像素不许动"这个约束写进了监督里——这正是通用 T2I 数据完全提供不了的东西，也是本文把操控任务从零做起来的依据。

3. 验证–重生成–描述闭环：把 VLM 从全局过滤器降级为区域级质检员

拿到合成样本之后需要筛一遍，但直接让 VLM 对整张图做通过/拒绝，或者直接套一个 LAION 美学分阈值，都会失手：阈值低则放进废样本，阈值高则把大量有效样本一起筛掉。本文的方案是先定位再判断——候选样本先由 Grounding-DINO 圈出主体区域，再由 Qwen2.5-VL-7B 针对该区域评估伪影与物理合理性；不通过的样本换一个随机种子重新合成（回到第三阶段重跑），通过的样本再让 Qwen2.5-VL 生成短、长两种描述，且指令风格随机实例化为"生成"或"编辑"，使得同一批数据能同时教会模型两种任务的表达方式。

这个验证器的可靠性是单独测过的。在 500 个样本的 pre-filtering holdout 上（3 位标注者多数票作为标签），Grounding-DINO → Qwen2.5-VL 的组合拿到 F1 0.87（精度 0.86 / 召回 0.89），保留率 67%；作为对比，LAION 美学分 ≥4.0 时召回 0.93 但精度只有 0.62（放进太多无效配对），≥5.5 时精度升到 0.93 但召回掉到 0.42、保留率只剩 24%（过度筛除）。换句话说，只有"先定位、再判断"才能同时保住精度和召回，这也是本文把验证写成闭环而不是一次性过滤的原因。

4. OSBench 与分维度评测协议：让"融合多个身份"和"改动之外不许变"各自可测

已有的主体驱动基准（如 XVerse）集中在干净的单人肖像，很少考察复杂场景中的主体，而且基本不含主体驱动操控任务，于是模型在这两类难设定下的退化根本无法被量化。OSBench 由四个子任务组成，每个 150 样本共 600 个：单主体生成（一张参考 + 开放式提示）、多主体生成（融合 2–4 张参考）、单主体操控（场景中只有一个主要物体，替换它）、多主体操控（复杂多主体场景中替换一个目标并保持非目标内容），全部取自与 OpenSubject 训练集不重叠的视频。评测沿用 instruction-based 评估的思路（VIEScore、OmniContext 一路），用 GPT-4.1 作为 VLM judge，按 rubric 化提示在 0–10 区间打分，并且把评价拆成四个互相正交的维度：生成侧看 Prompt Adherence（PA，属性、数量、关系是否遵守提示）和 Identity Fidelity（IF，生成的主体是否与参考身份跨视角一致）；操控侧看 Manipulation Fidelity（MF，编辑区域是否与参考主体和要求的改动一致）和 Background Consistency（BC，非编辑区域是否原封不动）。

总体分的聚合方式也带着设计意图：生成任务取 PA 与 IF 的几何平均，操控任务取样本级的 MF 与 BC 几何平均，

\[\text{Overall}_{\text{manip}} = \frac{1}{N}\sum_{i=1}^{N}\sqrt{\text{MF}_i \cdot \text{BC}_i}\]

几何平均对任一维度的塌陷极其敏感——一个 MF 很高但把背景改烂的模型拿不到高分，这恰好对上"操控必须两件事同时成立"的评测目标，也解释了为什么 Tab. 3/4 里很多方法在 MF 上看着还行、Overall 却很低。（⚠️ 论文只说 Overall 是 sample-level geometric mean，先按样本取几何平均再求均值还是先求均值再取几何平均，原文未逐字写明，此处以原文为准。）除 VLM 判分外，作者还组织了 6 位标注者的 1–7 分人工研究，趋势与 VLM 判分一致。

一个完整示例¶

以 OpenHumanVid 里一段 6 秒的人物片段为例走一遍。先按分辨率与美学分筛掉不合格片段，剩下的这段被切成五个等分，只在中间三段取四帧（避开首尾）。Qwen2.5-VL 在第一帧检出 {person, mural}、第二帧检出 {person}、第三帧 {person}、第四帧 {person, mural}，类别共识取交集得到 {person}，mural 因不满足共识被丢；两边的人物实例占图面积都远超 5%，进入下一级。Grounding-DINO 以 0.8 的人物阈值定位，几何先验检查通过后裁出 ROI，VLM 判定第一帧人物标签正确但被立柱遮挡，第三帧完整且人脸可见，第二帧脸部转开、第四帧运动模糊。通过的五项检查里，第一帧和第三帧都合格，对这两帧算 DINOv2 嵌入，余弦距离在该 clip 内最大（LPIPS 0.40 档），于是被选为配对。进入合成阶段：SAM2 给出第三帧人物的掩码，掩码占图 22%（低于 30% 阈值），在保持长宽比的前提下被放大到 34% 的随机目标尺寸并带轻微抖动重新居中，掩码边缘做不规则腐蚀；FLUX.1 Fill 以该主体像素和精修掩码为约束做 outpainting，输出一张"人物只占画面一部分"的输入图，与它配对的第三帧原图作为目标。验证阶段 VLM 在合成输入上检出边界色带，判为不通过，换随机种子重跑第三阶段后通过；最后 Qwen2.5-VL 为这一对写出短描述（"一个人站在壁画前"）和长描述，指令风格随机落在"生成"分支上。这一对就是语料里的一个样本，而其中没有任何一个像素的目标来自生成器。

损失函数 / 训练策略¶

OpenSubject 本身没有提出新的训练目标，它是一个数据配方，其"训练策略"体现在微调协议上：在 16 张 H800 上，用 500k 随机采样的 OpenSubject 样本搭配 100k 内部 T2I 数据（用来保住提示词跟随能力）微调 OmniGen2 与 Qwen-Image-Edit-2509，生成与操控共享同一套权重、靠指令区分任务。做管线消融时则在 50k 子集上重建数据集、用同一套 LoRA 配方微调，保证各配置之间只有数据差异。另外，整条流水线不使用显式的人脸识别损失，身份一致性靠视频级切分（检测与跟踪用于验证和过滤）在结构上保证；实测 ArcFace 平均相似度为 0.6059，作者人工核查了相似度最低的 500 对，确认它们仍属同一身份，低分主要来自姿态与机位变化。

实验关键数据¶

主实验¶

评测对象包括闭源的 Gemini 2.5 Flash Image Preview、GPT-4o、Gemini 2.0 Flash Image Preview，以及开源的 UNO、DreamO、XVerse、DreamOmni2、Qwen-Image-Edit-2509、OmniGen2。除特别说明外，所有模型按官方默认设置推理，不能通过 API 控制输出分辨率的模型在提示词里指定目标分辨率。值得注意的是，本文报告的是 rubric 化的 VLM judge 分数（GPT-4.1，0–10），没有使用 CLIP-I / DINO / CLIP-T 这类自动身份与文本对齐指标——身份一致性靠 IF 与 ArcFace/LPIPS 的管线验证支撑，文本对齐靠 PA（评测口径见上节设计 4）。

表 1：OSBench 主结果（Tab. 3，节选；Overall 为几何平均）

方法	单主体生成 Overall	多主体生成 Overall	单主体操控 Overall	多主体操控 Overall	平均 ↑
Gemini 2.5 Flash Image Preview（闭源）	8.90	8.22	7.22	5.15	7.37
GPT-4o-2024-11-20（闭源）	8.83	7.80	6.78	3.76	6.79
Gemini 2.0 Flash Image Preview（闭源）	8.29	7.41	3.22	2.80	5.43
Qwen-Image-Edit-2509	8.72	7.55	6.73	4.82	6.95
OmniGen2	8.61	7.88	5.08	4.51	6.52
DreamOmni2	7.50	6.85	5.70	2.18	5.56
UNO	5.93	6.38	0.80	0.90	3.50
DreamO	5.10	6.50	0.40	0.74	3.19
XVerse	3.05	5.92	0.62	0.70	2.57

表 2：用 OpenSubject 微调两个基座（Tab. 4；∆ 为相对各自基线的差值）

方法	多主体生成 Overall	单主体操控 Overall	多主体操控 Overall	平均 ↑
OmniGen2	7.88	5.08	4.51	6.52
OmniGen2 + Ours	8.15 (+0.27)	5.41 (+0.33)	6.26 (+1.75)	7.12 (+0.60)
Qwen-Image-Edit-2509	7.55	6.73	4.82	6.95
Qwen-Image-Edit-2509 + Ours	8.57 (+1.02)	7.96 (+1.23)	7.16 (+2.34)	8.18 (+1.23)

两个基座在多主体操控上的 Background Consistency 提升最为夸张（OmniGen2 +2.10，Qwen-Image-Edit-2509 +4.50），说明训练信号真正教会了模型"编辑之外的东西不许动"。

消融实验¶

表 3：管线组件消融（Tab. 6，50k 子集 + 同一套 LoRA 配方，每次只去掉一个组件；数值为各子任务 VLM Overall 的宏平均）

配置	Macro Avg. ↑	说明
Ours (50k)	6.76	完整管线
w/o 跨帧 VLM 类别共识	6.53 (-0.23)	掉得最多，身份可信的挖掘是数据质量主驱动
w/o Grounding-DINO 局部验证	6.56 (-0.20)	次之，伪检测进入配对会直接污染监督
w/o 验证–重生成闭环	6.61 (-0.15)	失败样本不被替换
w/o 不规则边界腐蚀	6.63 (-0.13)	合成接缝伪影变多
w/o 几何感知增强	6.66 (-0.10)	布局多样性下降

表 4：数据来源与规模对照（Tab. 7，同一 OmniGen2 基座与训练配方；前作按其原生规模）

训练数据	规模	多主体生成 Overall	多主体操控 Overall	平均 ↑
仅基线 OmniGen2	–	7.88	4.51	6.52
+ T2I only	100k	7.73	3.01	5.66
+ Echo-4o-Image	73k	7.63	3.86	6.12
+ UNO	1M	7.62	2.57	5.52
+ MICo-150k	150k	7.63	3.07	6.02
+ Ours	73k	7.95	5.62	6.84
+ Ours	150k	8.07	5.88	6.98
+ Ours	500k	8.15	6.26	7.12

关键发现¶

去掉跨帧 VLM 共识掉得最多（-0.23），Grounding-DINO 局部验证次之（-0.20），而腐蚀与几何增强这类"视觉修补"单项只值 -0.13 / -0.10。这说明真正决定数据质量的是身份可信的挖掘与验证，而不是合成阶段的观感打磨；如果只抄这套配方的一部分，应该优先保住这两级验证。
只加 T2I 数据是有害的：平均分从 6.52 掉到 5.66，提示词跟随略涨（单主体生成 PA 8.91→9.07）但身份保真与操控全面下滑（单主体操控 Overall 5.08→3.53）。通用 T2I 数据无法替代主体级的配对监督。
规模不是瓶颈，数据性质才是：UNO 用 1M 样本只换来 5.52（低于基线），而 OpenSubject 用 73k 就有 6.84，说明"身份可信 + 覆盖操控"比样本量更决定收益；在本文配方内部 73k→150k→500k 的增益也是递减的（6.84→6.98→7.12）。
收益集中在最难的两格：多主体操控 Overall 从 4.51→6.26（OmniGen2）、4.82→7.16（Qwen-Image-Edit-2509），多主体生成与 IF 也同步改善（IF +0.66 / +1.67），说明提升不是靠牺牲身份去换提示词跟随。
迁移到外部套件同样有效但方向不同：OmniContext 上 7.18→7.34，收益几乎全部来自多参考设定（MULTIPLE/Char.+Obj. +0.42，MULTIPLE/Character +0.23，MULTIPLE/Object +0.24），单参考的 SINGLE/Object 反而略降（7.58→7.54）；ImgEdit 上 3.44→3.79，Extract +0.84、Hybrid +0.76、Add +0.71、Background +0.56 都是"需要精确定位或结构改动"的类别，而 Style（4.81→4.66）和 Action（4.68→4.45）略降。也就是说主体级数据补的是身份推理与组合控制，不是通用编辑能力，对纯风格化编辑甚至略有干扰。
生成到操控的落差是普遍现象而非个别模型短板：闭源最强的 Gemini 2.5 Flash Image Preview 在多主体操控上也只有 5.15，GPT-4o 更是从 8.83（单主体生成）掉到 3.76（多主体操控）。这解释了这个方向为什么值得单独建数据和基准。
人工研究印证了 VLM 判分趋势：6 位标注者的 1–7 分结果里，微调后的 Qwen-Image-Edit-2509 在多主体生成与两种操控上全面领先（多主体操控 MF 4.02→6.05、BC 3.08→6.41），但单主体操控的 MF 略降（5.05→4.92），与 VLM 判分中"单主体操控 Overall 涨、MF 微降"的现象一致。

亮点与洞察¶

把"合成"从目标挪到输入是这个工作最干净的一刀。合成式数据管线最大的风险是生成器瑕疵被当成监督信号学进去，本文让真帧永远充当目标、合成只负责把问题造难，于是既保住了可扩展性，又切断了"生成器偏置 → 训练信号"这条污染路径。这个思路可以直接搬到一个模态级问题：任何需要配对监督的任务，只要存在"自然观测困难但真实"的数据源，都可以"真数据当目标、合成造输入"。
身份一致性由数据结构保证，而不是由损失函数约束：场景级切分 + 跨帧类别共识使"同一 clip 内的样本天然同身份"成为结构性事实，省掉了人脸识别损失和人工标注。相比加一个 identity loss 去惩罚漂移，这种做法的失败模式更容易诊断（问题出在挖掘阶段而不是优化阶段）。
把 DINOv2 的职责边界写清楚并用对照实验证明：论文专门澄清 DINOv2 只做外观多样性选择、不做身份验证，再用 Tab. 2(a) 的 ArcFace/LPIPS 双指标说明"多样性选择不牺牲身份"。这种"我用了某个现成模型，但它只负责哪一件事"的交代方式，在数据类论文里非常少见且值得学。
用几何平均给多维度评测上约束：操控任务要求"改对"和"别乱改"同时成立，用 MF 与 BC 的几何平均做总体分，让任一维度塌陷的模型无法靠另一维度刷分。这个口径可以迁移到任何双目标编辑任务（视频编辑、3D 编辑、语音编辑、代码编辑），是基准设计里可复用的一招。
基准的短板本身也是发现：单参考场景几乎没有提升（SINGLE/Object 7.58→7.54），这反向说明当前开源模型在单参考上已经接近饱和，数据增益的战场在多主体与操控。

局限与展望¶

作者承认的首要局限是视频帧目标域差：目标是真视频帧，仍可能带压缩伪影与运动噪声，理论上会让生成结果带上"视频感"。作者用三点解释当前不明显（多级过滤已滤掉大量低质帧、多样化的合成输入抑制了对视频低层模式的记忆、微调从强图像先验出发并配合 T2I 正则），但没有给出定量的域差分析（例如与照片目标微调的同预算对照），这个缺口值得追问。
合成输入偏置：输入全部由 FLUX.1 Fill 生成，会引入生成器特有的先验。换一个 inpainting 模型是否等价、是否需要多生成器混合，论文没有回答。
评测口径依赖 VLM judge：全程没有 CLIP-I / DINO / CLIP-T 这类可复现的自动指标，分数由 GPT-4.1 的 rubric 判分给出；人工研究只有 6 位标注者、且与 VLM 的一致性只报告了"趋势一致"，没有相关性系数。对想复现这个基准的人来说，判分稳定性是个隐忧。
任务定义的限制：操控任务的监督本质是"擦掉再补全"，即模拟"该位置原本是别的东西"。但真实视频里几乎不存在"同一场景发生过身份替换"的画面，所以操控支路的输入始终带合成痕迹；如果能引入跨视频的实例借用（把 A 视频里的实例换进 B 视频的同一机位），或许能把操控的域差进一步压小。
数据量与子集口径：Tab. 1 给出单主体配对输入 748k、多主体 1752k，两者相加正好 2.5M，与统计节的样本总数一致；单图参考子集（748k）与单主体配对数重合，说明这两个数字是同一份单主体数据在不同文段里的两种叫法，不算矛盾但容易误读，正式发布的数据卡应把四个子任务各自的计数写清楚。

评分¶

新颖性: ⭐⭐⭐⭐ 把视频当作主体一致性的监督源、并且只合成输入不合成目标，在数据配方上是很明确的新角度；但整体仍属"数据集 + 基准"类工作，方法层面的创新有限。
实验充分度: ⭐⭐⭐⭐ 内部基准 + 两个外部套件（OmniContext / ImgEdit）+ 管线逐项消融 + 数据源与规模对照 + 人工研究，覆盖面完整；扣分在于缺少自动化的身份/文本对齐指标（无 CLIP-I / DINO / CLIP-T），人工研究仅 6 人，且未做视频目标域差的定量对照。
写作质量: ⭐⭐⭐⭐ 四阶段管线叙述清楚，验证器的可靠性单独做了 LAION 阈值对照，关键设计都有数字支撑；但正文有明显重复（"To address this gap / challenges, we introduce OpenSubject..." 一段在引言里出现了两次），部分表格在排版上已错位。
价值: ⭐⭐⭐⭐⭐ 2.5M 样本、4.35M 图像、同时覆盖生成与操控、代码开源，对主体驱动这条线的后续工作是很实用的基础设施，OSBench 的几何平均口径也具备被后续工作直接沿用的潜力。