機器之心報道
編輯：陳萍、小舟
來自谷歌和波士頓大學的研究者提出了一種「個性化」的文字到影象擴散模型 DreamBooth，能夠適應使用者特定的影象生成需求。
近來，文字到影象模型成為一個熱門的研究方向，無論是自然景觀大片，還是新奇的場景影象，都可能使用簡單的文字描述自動生成的。
其中，渲染天馬行空的的想象場景是一項具有挑戰性的任務，需要在新的場景中合成特定主題（物體、動物等）的例項，以便它們自然無縫地融入場景。
一些大型文字到影象模型基於用自然語言編寫的文字提示（prompt）實現了高質量和多樣化的影象合成。這些模型的主要優點是從大量的影象 - 文字描述對中學到強大的語義先驗，例如將「dog」這個詞與可以在影象中以不同姿勢出現的各種狗的例項關聯在一起。
雖然這些模型的合成能力是前所未有的，但它們缺乏模仿給定參考主題的能力，以及在不同場景中合成主題相同、例項不同的新影象的能力。可見，已有模型的輸出域的表達能力有限。
為了解決這個問題，來自谷歌和波士頓大學的研究者提出了一種「個性化」的文字到影象擴散模型 DreamBooth，能夠適應使用者特定的影象生成需求。
論文地址：https：//arxiv。org/pdf/2208。12242。pdf
專案地址：https：//github。com/XavierXiao/Dreambooth-Stable-Diffusion
該研究的目標是擴充套件模型的語言 - 視覺字典，使其將新詞彙與使用者想要生成的特定主題繫結。一旦新字典嵌入到模型中，它就可以使用這些詞來合成特定主題的新穎逼真的影象，同時在不同的場景中進行情境化，保留關鍵識別特徵，效果如下圖 1 所示。
具體來說，該研究將給定主題的影象植入模型的輸出域，以便可以使用唯一識別符號對其進行合成。為此，該研究提出了一種用稀有 token 識別符號表示給定主題的方法，並微調了一個預訓練的、基於擴散的文字到影象框架，該框架分兩步執行；從文字生成低解析度影象，然後應用超解析度（SR）擴散模型。
首先該研究使用包含唯一識別符號（帶有主題類名，例如「A ［V］ dog」）的輸入影象和文字提示微調低解析度文字到影象模型。為了防止模型將類名與特定例項過擬合和語義漂移，該研究提出了一種自生的、特定於類的先驗儲存（preservation）損失，它利用嵌入模型中類的先驗語義，鼓勵模型生成給定主題下同一類中的不同例項。
第二步，該研究使用輸入影象的低解析度和高解析度版本對超解析度元件進行微調。這允許模型對場景主題中小而重要細節保持高保真度。
我們來看一下該研究提出的具體方法。
方法介紹
給定 3-5 張捕獲的影象，這些影象沒有文字描述，本文旨在生成具有高細節保真度和由文字提示引導變化的新影象。該研究不對輸入影象施加任何限制，並且主題影象可以具有不同的上下文。方法如圖 3 所示。輸出影象可對原始影象進行修改，如主題的位置，更改主題的屬性如顏色、形狀，並可以修改主體的姿勢、表情、材質以及其他語義修改。
更具體的說，本文方法將一個主題（例如，一隻特定的狗）和相應類名（例如，狗類別）的一些影象（通常 3 - 5 張圖）作為輸入，並返回一個經過微調 / 個性化的文字到影象模型，該模型編碼了一個引用主題的唯一識別符號。然後，在推理時，可以在不同的句子中植入唯一識別符號來合成不同語境中的主題。
該研究的第一個任務是將主題例項植入到模型的輸出域，並將主題與唯一識別符號繫結。該研究提出了設計識別符號的方法，此外還設計了一種監督模型微調過程的新方法。
為了解決影象過擬合以及語言漂移問題，該研究還提出了一種損失（ Prior-Preservation Loss ），透過鼓勵擴散模型不斷生成與主題相同的類的不同例項，從而減輕模型過擬合、語言漂移等問題。
為了保留影象細節，該研究發現應該對模型的超解析度（SR）元件進行微調，本文在經過預訓練的 Imagen 模型的基礎上來完成。具體過程如圖 4 所示，給定同一主題的 3-5 張影象，之後透過兩個步驟微調文字到影象的擴散模型：
稀有 token 識別符號表示主題
該研究將主題的所有輸入影象標記為「a ［identifier］ ［class noun］」，其中 ［identifier］ 是連結到主題的唯一識別符號，而 ［class noun］ 是主題的粗略類別描述符 （例如貓、狗、手錶等）。該研究在句子中特別使用了類描述符，以便將類的先驗與主題聯絡起來。
效果展示
下面是 Dreambooth 一個穩定擴散的實現（參考專案連結）。定性結果：訓練影象來自「Textual Inversion」庫：
訓練完成後，在「photo of a sks container」提示下，模型生成的集裝箱照片如下：
在提示中加個位置「photo of a sks container on the beach」，集裝箱出現在沙灘上；
綠色的集裝箱顏色太單一了，想加點紅色，輸入提示「photo of a red sks container」就能搞定：
輸入提示「a dog on top of sks container」就能讓小狗坐在箱子裡：
下面是論文中展示的一些結果。生成不同畫家風格的關於狗狗的藝術圖：
該研究還可以合成輸入影象中沒有出現的各種表情，展示了模型的外推能力：
想要了解更多細節，請參考原論文。
