在计算机视觉领域，对象插入是一项基础而具有挑战性的任务，其目标是将参考对象无缝地合成到背景图像的指定区域中。近年来，基于扩散模型的方法在视觉质量上取得了显著进展，但这些方法通常将对象插入视为简单的二维修补任务，缺乏对物体三维姿态的显式控制，从而限制了其在实际应用中的有效性，例如在增强现实、图像编辑和虚拟场景构建中，用户往往需要精确控制插入对象的朝向和位置。
为了克服这一局限，来自多家研究机构的Jingbo Gong及其合作者提出了DIRECT（Decomposed Injection for Reference Composition and Target-integration）框架。该框架创新性地将交互式姿态操作与高保真二维图像合成相结合，实现了姿态可控的对象插入。DIRECT的核心思想是将插入条件解耦为三个互补的引导组件：外观引导，用于捕捉参考对象的视觉细节；几何引导，来源于用户调整的三维代理模型；以及上下文引导，来自目标背景的场景信息。这三个组件通过独立的注入路径输入到生成过程中，从而避免了特征纠缠，使得生成的图像既能保留参考对象的外观，又能遵循用户指定的姿态，同时自然地融入目标场景。
此外，研究团队还设计了一条自动化的数据构建管道，通过合成多样化的训练样本，显著提升了训练数据的多样性和质量，进一步增强了模型的泛化能力。在多个基准数据集上的实验结果表明，DIRECT在几何可控性和视觉质量方面均显著优于现有的最先进方法。该研究成果已被ICML 2026会议接收，相关代码和模型已公开发布，为未来的图像编辑、虚拟现实和增强现实应用提供了强大的工具。
DIRECT的提出不仅解决了对象插入中姿态控制的关键难题，也为更广泛的图像合成任务提供了新的思路。通过显式地分解插入条件，该方法展示了如何将物理世界中的三维信息融入二维生成模型，从而推动计算机视觉向更加可控和实用化的方向发展。