組件可控個(gè)性化生成方法MagicTailor：生成過程可自由地定制ID
本文經(jīng)AIGC Studio公眾號(hào)授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。
文章提出了一種組件可控的個(gè)性化生成方法MagicTailor，旨在個(gè)性化生成過程中可以自由地定制ID的特定組件。
相關(guān)鏈接
論文閱讀：https://arxiv.org/pdf/2410.13370
項(xiàng)目主頁：https://correr-zhou.github.io/MagicTailor/
論文介紹
文生圖（T2I）擴(kuò)散模型的最新進(jìn)展使得能夠根據(jù)文本提示創(chuàng)建高質(zhì)量圖像，但它們?nèi)匀浑y以生成對特定視覺概念進(jìn)行精確控制的圖像。現(xiàn)有的方法可以通過學(xué)習(xí)參考圖像來復(fù)制給定的概念，但它們?nèi)狈Ω拍钪械母鱾€(gè)組件進(jìn)行細(xì)粒度定制的靈活性。
在本文中，介紹了組件可控的個(gè)性化，這是一項(xiàng)新穎的任務(wù)，它允許用戶在個(gè)性化視覺概念時(shí)重新配置特定組件，從而突破了 T2I 模型的界限。由于兩個(gè)主要障礙，這項(xiàng)任務(wù)特別具有挑戰(zhàn)性：語義污染，即不需要的視覺元素破壞個(gè)性化概念；語義不平衡，導(dǎo)致概念和組件的學(xué)習(xí)不成比例。
為了克服這些挑戰(zhàn)，本文設(shè)計(jì)了MagicTailor，這是一個(gè)創(chuàng)新框架，利用動(dòng)態(tài)掩碼退化（DM-Deg）來動(dòng)態(tài)擾亂不需要的視覺語義和雙流平衡（DS-Bal），為所需的視覺語義建立平衡的學(xué)習(xí)范例。廣泛的比較、消融和分析表明，MagicTailor 不僅在這項(xiàng)具有挑戰(zhàn)性的任務(wù)中表現(xiàn)出色，而且在實(shí)際應(yīng)用中也具有重大前景，為更細(xì)致和更具創(chuàng)意的圖像生成鋪平了道路。
方法介紹
MagicTailor 使用參考圖像作為輸入，通過低秩自適應(yīng) (LoRA) 微調(diào) T2I 擴(kuò)散模型，以學(xué)習(xí)目標(biāo)概念和組件，從而能夠生成將組件無縫集成到概念中的圖像。 我們引入了動(dòng)態(tài)掩碼退化（DM-Deg），這是一種動(dòng)態(tài)干擾不需要的視覺語義的新技術(shù)。這種方法有助于抑制模型對不相關(guān)視覺細(xì)節(jié)的敏感性，同時(shí)保留整體視覺上下文，從而有效減輕語義污染。 此外，我們采用雙流平衡（DS-Bal），一種旨在平衡視覺語義學(xué)習(xí)的雙流學(xué)習(xí)范式，來解決語義不平衡的問題。在線去噪 U-Net 執(zhí)行樣本最小-最大優(yōu)化，而動(dòng)量去噪 U-Net 應(yīng)用選擇性保留正則化，確保更忠實(shí)的個(gè)性化。
組件可控的個(gè)性化
(a) 個(gè)性化插圖，展示文本到圖像 (T2I) 擴(kuò)散模型如何從給定的參考圖像中學(xué)習(xí)和再現(xiàn)視覺概念。 (b) 組件可控個(gè)性化的圖示，描繪了一項(xiàng)新制定的任務(wù)，旨在在個(gè)性化過程中修改視覺概念的特定組件。 (c) MagicTailor 生成的示例圖像，展示了所提出的 MagicTailor 的有效性，MagicTailor 是一種新穎的框架，采用 T2I 擴(kuò)散模型來實(shí)現(xiàn)組件可控的個(gè)性化。
組件可控個(gè)性化的挑戰(zhàn)
語義污染
- 不受歡迎的視覺元素可能會(huì)無意中擾亂個(gè)性化概念。
- 簡單的屏蔽策略是無效的，會(huì)導(dǎo)致意外的合成;
- 我們的 DM-Deg 有效地抑制了不需要的視覺語義，防止了這種污染。
語義不平衡
- 同時(shí)學(xué)習(xí)概念和組件可能會(huì)導(dǎo)致不平衡，導(dǎo)致概念或組件扭曲（這里我們介紹前者的情況）。
- 我們的 DS-Bal 確保平衡學(xué)習(xí)，提高個(gè)性化表現(xiàn)。
定性結(jié)果
我們展示了由 MagicTailor 生成的圖像以及針對各個(gè)領(lǐng)域的個(gè)性化的 SOTA 方法。 MagicTailor 總體上實(shí)現(xiàn)了良好的文本對齊、強(qiáng)大的身份保真度和高生成質(zhì)量。
定量結(jié)果
我們將 MagicTailor 與基于自動(dòng)指標(biāo)（CLIP-T、CLIP-I、DINO 和 DreamSim）和用戶研究（人類對文本對齊、身份保真度和生成質(zhì)量的偏好）的 SOTA 個(gè)性化方法進(jìn)行比較。最佳結(jié)果以粗體標(biāo)記。 MagicTailor 可以在這項(xiàng)具有挑戰(zhàn)性的任務(wù)中取得卓越的性能。
