• 論文地址：https://arxiv.org/pdf/2302.09778v2.pdf
• 項目地址：https://github.com/damo-vilab/composer

近年來，在大數(shù)據(jù)上學(xué)習(xí)的大規(guī)模生成模型能夠出色地合成圖像，但可控性有限?？煽貓D像生成的關(guān)鍵不僅依賴于條件，而且更重要的是依賴于組合性。后者可以通過引入巨大數(shù)量的潛在組合來指數(shù)級地擴展控制空間（例如 100 個圖像，每個有 8 個表征，產(chǎn)生大約 100^8 種組合）。類似的概念在語言和場景理解領(lǐng)域得到了探索，其中的組合性被稱為組合泛化，即從有限的已知成分中識別或生成潛在的無限數(shù)量的新組合的技能。

最新的一項研究提供了一種新的生成范式 —— 可以在靈活控制輸出圖像（如空間布局和調(diào)色板）的同時保持合成質(zhì)量和模型創(chuàng)造力。

這項研究以組合性為核心思想，首先將圖像分解為具有代表性的因子，然后以這些因子為條件訓(xùn)練擴散模型，對輸入進行重組。在推理階段，豐富的中間表征形式作為可組合元素，為可定制內(nèi)容的創(chuàng)建提供了巨大的設(shè)計空間 (即與分解因子的數(shù)量成指數(shù)比例)。值得注意的是，名為 Composer 的方法支持各種級別的條件，例如將文本描述作為全局信息，將深度圖和草圖作為局部指導(dǎo)，將顏色直方圖作為低級細(xì)節(jié)等。

除了提高可控性之外，該研究還確認(rèn)了 Composer 可以作為通用框架，在無需再訓(xùn)練的情況下促進廣泛的經(jīng)典生成任務(wù)。

方法

本文所介紹的框架包括分解階段（圖像被分為一組獨立的組件）與合成階段（組件利用條件擴散模型重新組合）。這里首先簡要介紹擴散模型和使用 Composer 實現(xiàn)的制導(dǎo)方向，然后將詳細(xì)說明圖像分解和合成的實現(xiàn)。 

2.1. 擴散模型

擴散模型是一種生成模型，通過迭代去噪過程從高斯噪聲中產(chǎn)生數(shù)據(jù)。通常使用簡單的均方誤差作為去噪目標(biāo)： 

其中，x_0 是具有可選條件 c 的訓(xùn)練數(shù)據(jù)，是加性高斯噪聲，a_t、σ_t 是 t 的標(biāo)量函數(shù)，是具有可學(xué)習(xí)參數(shù) θ 的擴散模型。無分類器引導(dǎo)在最近的工作中得到了最廣泛的應(yīng)用，用于擴散模型的條件數(shù)據(jù)采樣，其中預(yù)測的噪聲通過以下方式進行調(diào)整： 

公式

中， ω 為引導(dǎo)權(quán)重。DDIM 和 DPM-Solver 經(jīng)常被用于加速擴散模型的采樣過程。DDIM 還可以用于將樣本 x_0 反推到其純噪聲潛在 x_T，從而實現(xiàn)各種圖像編輯操作。

引導(dǎo)方向：Composer 是一個可以接受多種條件的擴散模型，可以在無分類器引導(dǎo)下實現(xiàn)各種方向：

c_1 和 c_2 是兩組條件。c_1 和 c_2 的不同選擇表征對條件的不同強調(diào)。

(c_2 \ c_1) 內(nèi)的條件強調(diào)為 ω， (c_1 \ c_2) 內(nèi)的條件抑制為 (1?ω)， c1∩c2 內(nèi)的條件的指導(dǎo)權(quán)重為 1.0.。雙向指導(dǎo)：通過使用條件 c_1 將圖像 x_0 反轉(zhuǎn)到潛在的 x_T，然后使用另一個條件 c_2 從 x_T 采樣，研究能夠使用 Composer 以一種解糾纏的方式操作圖像，其中操作方向由 c_2 和 c_1 之間的差異來定義。

分解

研究將圖像分解為捕捉圖像各個方面的去耦表征，并且描述了該任務(wù)中使用的八種表征，這幾種表征都是在訓(xùn)練過程中實時提取的。

說明（Caption）：研究直接使用圖像 - 文本訓(xùn)練數(shù)據(jù)中的標(biāo)題或描述信息（例如，LAION-5B (Schuhmann et al., 2022)）作為圖像說明。當(dāng)注釋不可用時，還可以利用預(yù)訓(xùn)練好的圖像說明模型。研究使用預(yù)訓(xùn)練的 CLIP ViT-L /14@336px (Radford et al., 2021) 模型提取的句子和單詞嵌入來表征這些標(biāo)題。

語義和風(fēng)格（Semantics and style）：研究使用預(yù)先訓(xùn)練的 CLIP ViT-L/14@336px 模型提取的圖像嵌入來表征圖像的語義和風(fēng)格，類似于 unCLIP。

顏色（Color）：研究使用平滑的 CIELab 直方圖表征圖像的顏色統(tǒng)計。將 CIELab 顏色空間量化為 11 個色調(diào)值，5 個飽和度和 5 個光值，使用平滑 sigma 為 10。經(jīng)驗所得，這樣設(shè)置的效果更好。

草圖（Sketch）：研究應(yīng)用邊緣檢測模型，然后使用草圖簡化算法來提取圖像的草圖。草圖捕捉圖像的局部細(xì)節(jié)，具有較少的語義。

實例（Instances）：研究使用預(yù)訓(xùn)練的 YOLOv5 模型對圖像應(yīng)用實例分割來提取其實例掩碼。實例分割掩碼反映了視覺對象的類別和形狀信息。

深度圖（Depthmap）：研究使用預(yù)訓(xùn)練的單目深度估計模型來提取圖像的深度圖，大致捕捉圖像的布局。

強度（Intensity）：研究引入原始灰度圖像作為表征，迫使模型學(xué)習(xí)處理顏色的解糾纏自由度。為了引入隨機性，研究統(tǒng)一從一組預(yù)定義的 RGB 通道權(quán)重中采樣來創(chuàng)建灰度圖像。

掩碼（Masking）：研究引入圖像掩碼，使 Composer 能夠?qū)D像生成或操作限制在可編輯的區(qū)域。使用 4 通道表征，其中前 3 個通道對應(yīng)于掩碼 RGB 圖像，而最后一個通道對應(yīng)于二進制掩碼。

需要注意的是，雖然本文使用上述八種條件進行了實驗，但用戶可以使用 Composer 自由定制條件。

構(gòu)成

研究使用擴散模型從一組表征中重新組合圖像。具體來說，研究利用 GLIDE 架構(gòu)并修改其調(diào)節(jié)模塊。研究探索了兩種不同的機制來根據(jù)表征調(diào)整模型：

全局調(diào)節(jié)：對于包括 CLIP 句子嵌入、圖像嵌入和調(diào)色板在內(nèi)的全局表征，研究將它們投影并添加到時間步嵌入中。此外，研究還將圖像嵌入和調(diào)色板投射到八個額外的 token 中，并將它們與 CLIP 詞嵌入連接起來，然后將其用作 GLIDE 中交叉注意的上下文，類似于 unCLIP 。由于條件要么是相加的，要么可以在交叉注意中選擇性地掩蓋，所以在訓(xùn)練和推理期間可以直接放棄條件，或者引入新的全局條件。

局部化調(diào)節(jié)：對于局部化表征，包括草圖、分割掩碼、深度映射、強度圖像和掩碼圖像，研究使用堆疊卷積層將它們投射到與噪聲潛在 x_t 具有相同空間大小的均維嵌入中。然后計算這些嵌入的和，并將結(jié)果連接到 x_t，然后將其輸入到 UNet。由于嵌入是可添加的，因此很容易適應(yīng)缺失的條件或合并新的局部化條件。

聯(lián)合訓(xùn)練策略：設(shè)計一種聯(lián)合訓(xùn)練策略，使模型能夠從各種條件組合中學(xué)習(xí)解碼圖像，這一點很重要。研究對幾種配置進行了實驗，并確定了一個簡單而有效的配置，其中對每個條件使用獨立的退出概率為 0.5，刪除所有條件的概率為 0.1，保留所有條件的概率為 0.1。對于強度圖像使用 0.7 的特殊退出概率，因為它們包含了關(guān)于圖像的絕大多數(shù)信息，并且在訓(xùn)練過程中可能會弱化其他條件。

基本擴散模型產(chǎn)生 64 × 64 分辨率的圖像。為了生成高分辨率圖像，研究訓(xùn)練了兩個無條件擴散模型用于上采樣，分別將圖像從 64 × 64 提升到 256 × 256，以及從 256 × 256 提升到 1024 × 1024 分辨率。上采樣模型的架構(gòu)是從 unCLIP 修改的，其中研究在低分辨率層中使用更多通道，并引入自注意塊來擴大容量。此外還引入了一個可選的先驗?zāi)Ｐ?，該模型從字幕生成圖像嵌入。根據(jù)經(jīng)驗，先驗?zāi)Ｐ湍軌蛟谔囟ǖ臈l件組合下提高生成圖像的多樣性。

實驗

變體：使用 Composer 可以創(chuàng)建與給定圖像相似的新圖像，但通過對其表征的特定子集所進行的條件反射在某些方面有些不同。通過仔細(xì)選擇不同表征的組合，人們可以靈活地控制圖像變化的范圍 (圖 2a)。在納入更多的條件后，研究所介紹的方法比僅以圖像嵌入為條件的 unCLIP 生成變體：使用 Composer 可以創(chuàng)建與給定圖像相似的新圖像，但通過對其表征的特定子集進行條件反射，在某些方面有所不同。通過仔細(xì)選擇不同表征的組合，人們可以靈活地控制圖像變化的范圍 (圖 2a)。在納入更多的條件后，研究所介紹的方法比僅以圖像嵌入為條件的 unCLIP 的重建準(zhǔn)確率更高。