AI 可以完全按照甲方意愿修圖？GPT-3、Stable Diffusion 一起助攻，讓模型秒變 PS 高手，改圖隨心所欲。

擴(kuò)散模型大火之后，很多人將注意力放到了如何利用更有效的 prompt 生成自己想要的圖像。在對于一些 AI 作畫模型的不斷嘗試中，人們甚至總結(jié)出了讓 AI 好好出圖的關(guān)鍵詞經(jīng)驗：

也就是說，如果掌握了正確的 AI 話術(shù)，作圖質(zhì)量提升效果將非常明顯（參見：《「羊駝打籃球」怎么畫？有人花了 13 美元逼 DALL·E 2 亮出真本事 》）。

此外，還有一部分研究者在往另一個方向努力：如何動動嘴皮子就把一幅畫改成我們想要的樣子。

前段時間，我們報道了一項來自谷歌研究院等機(jī)構(gòu)的研究。只要說出你想讓一幅圖變成什么樣子，它就能基本滿足你的要求，生成照片級的圖像，例如讓一只小狗坐下：

這里給模型的輸入描述是「一只坐下的狗」，但是按照人們的日常交流習(xí)慣，最自然的描述應(yīng)該是「讓這只狗坐下」。有研究者認(rèn)為這是一個應(yīng)該優(yōu)化的問題，模型應(yīng)該更符合人類的語言習(xí)慣。

最近，來自 UC 伯克利的研究團(tuán)隊提出了一種根據(jù)人類指令編輯圖像的新方法 InstructPix2Pix：給定輸入圖像和告訴模型要做什么的文本描述，模型就能遵循描述指令來編輯圖像。

論文地址：https://arxiv.org/pdf/2211.09800.pdf

例如，要把畫中的向日葵換成玫瑰，你只需要直接對模型說「把向日葵換成玫瑰」：

為了獲得訓(xùn)練數(shù)據(jù)，該研究將兩個大型預(yù)訓(xùn)練模型——語言模型 (GPT-3) 和文本到圖像生成模型 (Stable Diffusion) 結(jié)合起來，生成圖像編輯示例的大型成對訓(xùn)練數(shù)據(jù)集。研究者在這個大型數(shù)據(jù)集上訓(xùn)練了新模型 InstructPix2Pix，并在推理時泛化到真實圖像和用戶編寫的指令上。

InstructPix2Pix 是一個條件擴(kuò)散模型，給定一個輸入圖像和一個編輯圖像的文本指令，它就能生成編輯后的圖像。該模型直接在前向傳播（forward pass）中執(zhí)行圖像編輯，不需要任何額外的示例圖像、輸入 / 輸出圖像的完整描述或每個示例的微調(diào)，因此該模型僅需幾秒就能快速編輯圖像。

盡管 InstructPix2Pix 完全是在合成示例（即 GPT-3 生成的文本描述和 Stable Diffusion 生成的圖像）上進(jìn)行訓(xùn)練的，但該模型實現(xiàn)了對任意真實圖像和人類編寫文本的零樣本泛化。該模型支持直觀的圖像編輯，包括替換對象、更改圖像風(fēng)格等等。

方法概覽

研究者將基于指令的圖像編輯視為一個監(jiān)督學(xué)習(xí)問題：首先，他們生成了一個包含文本編輯指令和編輯前后圖像的成對訓(xùn)練數(shù)據(jù)集（圖 2a-c)，然后在這個生成的數(shù)據(jù)集上訓(xùn)練了一個圖像編輯擴(kuò)散模型（圖 2d）。盡管訓(xùn)練時使用的是生成的圖像和編輯指令，但模型仍然能夠使用人工編寫的任意指令來編輯真實的圖像。下圖 2 是方法概述。

生成一個多模態(tài)訓(xùn)練數(shù)據(jù)集

在數(shù)據(jù)集生成階段，研究者結(jié)合了一個大型語言模型（GPT-3）和一個文本轉(zhuǎn)圖像模型（Stable Diffusion）的能力，生成了一個包含文本編輯指令和編輯前后對應(yīng)圖像的多模態(tài)訓(xùn)練數(shù)據(jù)集。這一過程包含以下步驟：

微調(diào) GPT-3 以生成文本編輯內(nèi)容集合：給定一個描述圖像的 prompt，生成一個描述要進(jìn)行的更改的文本指令和一個描述更改后圖像的 prompt（圖 2a）；

使用文本轉(zhuǎn)圖像模型將兩個文本 prompt（即編輯之前和編輯之后）轉(zhuǎn)換為一對對應(yīng)的圖像（圖 2b）。

InstructPix2Pix

研究者使用生成的訓(xùn)練數(shù)據(jù)來訓(xùn)練一個條件擴(kuò)散模型，該模型基于 Stable Diffusion 模型，可以根據(jù)書面指令編輯圖像。

擴(kuò)散模型學(xué)習(xí)通過一系列估計數(shù)據(jù)分布分?jǐn)?shù)（指向高密度數(shù)據(jù)的方向）的去噪自編碼器來生成數(shù)據(jù)樣本。Latent diffusion 通過在預(yù)訓(xùn)練的具有編碼器和解碼器的變分自編碼器的潛空間中操作來提高擴(kuò)散模型的效率和質(zhì)量。

對于一個圖像 x，擴(kuò)散過程向編碼的 latent 中添加噪聲，它產(chǎn)生一個有噪聲的 latent z_t，其中噪聲水平隨時間步 t∈T 而增加。研究者學(xué)習(xí)一個網(wǎng)絡(luò)，它在給定圖像調(diào)節(jié) C_I 和文本指令調(diào)節(jié) C_T 的情況下，預(yù)測添加到帶噪 latent z_t 中的噪聲。研究者將以下 latent 擴(kuò)散目標(biāo)最小化：

此前，曾有研究（Wang et al.）表明，對于圖像翻譯（image translation）任務(wù)，尤其是在成對訓(xùn)練數(shù)據(jù)有限的情況下，微調(diào)大型圖像擴(kuò)散模型優(yōu)于從頭訓(xùn)練。因此在新研究中，作者使用預(yù)訓(xùn)練的 Stable Diffusion checkpoint 初始化模型的權(quán)重，利用其強(qiáng)大的文本到圖像生成能力。

為了支持圖像調(diào)節(jié)，研究人員向第一個卷積層添加額外的輸入通道，連接 z_t 和。擴(kuò)散模型的所有可用權(quán)重都從預(yù)訓(xùn)練的 checkpoint 初始化，同時在新添加的輸入通道上運行的權(quán)重被初始化為零。作者在這里重用最初用于 caption 的相同的文本調(diào)節(jié)機(jī)制，而沒有將文本編輯指令 c_T 作為輸入。

實驗結(jié)果

在下面這些圖中，作者展示了他們新模型的圖像編輯結(jié)果。這些結(jié)果針對一組不同的真實照片和藝術(shù)品。新模型成功地執(zhí)行了許多具有挑戰(zhàn)性的編輯，包括替換對象、改變季節(jié)和天氣、替換背景、修改材料屬性、轉(zhuǎn)換藝術(shù)媒介等等。

研究人員將新方法與最近的一些技術(shù)，如 SDEdit、Text2Live 等進(jìn)行了比較。新模型遵循編輯圖像的說明，而其他方法（包括基準(zhǔn)方法）需要對圖像或編輯層進(jìn)行描述。因此在比較時，作者對后者提供「編輯后」的文本標(biāo)注代替編輯說明。作者還把新方法和 SDEdit 進(jìn)行定量比較，使用兩個衡量圖像一致性和編輯質(zhì)量的指標(biāo)。最后，作者展示了生成訓(xùn)練數(shù)據(jù)的大小和質(zhì)量如何影響模型性能的消融結(jié)果。

審核編輯 ：李倩