本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

現(xiàn)在，AI繪畫完全可以做到指哪打哪了！

這邊哈士奇，那邊牧羊犬，背景在下雪天。

啪嘰！一幅畫就這么完成了。

這個最新MultiDiffusion模型，不管選的區(qū)域位置有多離譜，它都能給你畫出指定的東西來。

比如，你能看到大象和奶牛同時握草？？

而且在線可試，親測大概15秒就能出，你甚至可以看到泰勒與愛因斯坦跨時空同框。

要知道以前AI繪畫最大的一個bug就是不可控，但現(xiàn)在人類擁有了更多的控制權(quán)。

總之就是，想畫什么就畫什么，想往哪畫就往哪畫！

有網(wǎng)友趕緊上手試了試：Not Bad！

想往哪畫就往哪畫

從效果來看，主要有三個方面的應(yīng)用。

• 文本到高分辨率全景生成；
• 精確區(qū)域生成；
• 任意長寬比粗略區(qū)域生成。

首先，只需要一句話，就可以生成512*4609分辨率的全景圖。

一張有滑雪者的雪山頂峰的照片。

攝影師也不用爬樓了，直接獲得城市夜景圖。

當然更為主體功能，那就是給特定區(qū)域單獨提示，然后AI繪畫就來指哪畫哪。

比如在黑色部分是一個明亮的盥洗室，紅色區(qū)域是一面鏡子、藍色部分是花瓶、黃色部分是白色的水槽。

就這么隨手一個拼圖畫，結(jié)果就生成了真實場景。

不過也有一些bug，像一些超現(xiàn)實的，他就有點太天馬行空了。

比如三體人在宇宙中大戰(zhàn)人類。

當然也可以無需那么精確，只需標個大致位置，還支持任意長寬比的圖像。

藍色部分是埃菲爾鐵塔、紅色是粉色的云、綠色是熱氣球 。

關(guān)鍵是各種構(gòu)圖都十分地合理、場景效果以及實際物體相對大小也都十分精準。

圖像生成可控

背后的這個模型叫做MultiDiffusion，這是一個統(tǒng)一的框架，能實現(xiàn)多功能和可控的圖像生成。

以往即便Diffusion模型給圖像生成帶來變革性影響，但用戶對生成圖像的可控性、以對新任務(wù)的快速適應(yīng)仍是不小的挑戰(zhàn)。

研究人員主要是通過重新訓練、微調(diào)，或者另外開發(fā)工具等方式來解決。前不久爆火插件ControlNet正是解決了圖像生成的可控性，

而MultiDiffusion無需進一步訓練或微調(diào)，就可一次實現(xiàn)對生成內(nèi)容的多種靈活控制，包括期望的長寬比、空間引導信號等。

簡單來說，MultiDiffusion的關(guān)鍵在于，在預先訓練好的擴散模型上定義一個全新的生成過程。從噪聲圖像開始，在每個生成步驟中，解決一個優(yōu)化任務(wù)。

然后再將多個擴散生成過程與一組共享的參數(shù)或約束結(jié)合起來，目標是將每個部分都盡可能去接近去噪版本。

即便有時候每個步驟都可能會將圖像拉向不同的方向，但最終融合到一個全局去噪步驟當中，得到一個無縫圖像。

來自魏茨曼科學研究所

這篇論文主要來自位于以色列雷霍沃特的魏茨曼科學研究所。

兩位共同一作Omer Bar-Tal、Lior Yariv分別是魏茲曼科學研究院計算機科學和應(yīng)用數(shù)學系的研究生和博士生，后兩位分別是他們的導師。

△左：Omer Bar-Tal；右：Lior Yariv

好了，感興趣的旁友可戳下方試一試哦！

?https://huggingface.co/spaces/weizmannscience/MultiDiffusion?
主頁鏈接：
?https://multidiffusion.github.io/?
論文鏈接：https://arxiv.org/abs/2302.08113