生成式AI作為當前人工智能領域的前沿技術，已被廣泛的應用于各類視覺合成任務。

隨著DALL-E2，Stable Diffusion和DreamFusion的發(fā)布，AI作畫和3D合成實現(xiàn)了令人驚嘆的視覺效果并且在全球范圍內(nèi)的爆炸式增長。這些生成式AI技術深刻地拓展了人們對于AI圖像生成能力的認識，那么這些生成式AI方法是如何生成以假亂真的視覺效果？又是如何利用深度學習和神經(jīng)網(wǎng)絡技術來實現(xiàn)畫作、3D生成以及其他創(chuàng)造性任務的呢？我們的綜述論文將會給您提供這些問題的答案。

在第一章節(jié)，該綜述描述了多模態(tài)圖像合成與編輯任務的意義和整體發(fā)展，以及本論文的貢獻與總體結構。

在第二章節(jié)，根據(jù)引導圖片合成與編輯的數(shù)據(jù)模態(tài)，該綜述論文介紹了比較常用的視覺引導，文字引導，語音引導，還有近期DragGAN提出的控制點引導等，并且介紹了相應模態(tài)數(shù)據(jù)的處理方法。

在第三章節(jié)，根據(jù)圖像合成與編輯的模型框架，該論文對目前的各種方法進行了分類，包括基于GAN的方法，擴散模型方法，自回歸方法，和神經(jīng)輻射場（NeRF）方法。

由于基于GAN的方法一般使用條件GAN和 GAN 反演，因此該論文進一步根據(jù) 控制條件的融合方式，模型的結構，損失函數(shù)設計，多模態(tài)對齊，和跨模態(tài)監(jiān)督進行了詳細描述。

近期，火熱的擴散模型也被廣泛應用于多模態(tài)合成與編輯任務。例如效果驚人的DALLE-2和Imagen都是基于擴散模型實現(xiàn)的。相比于GAN，擴散式生成模型擁有一些良好的性質，比如靜態(tài)的訓練目標和易擴展性。該論文依據(jù)條件擴散模型和預訓練擴散模型對現(xiàn)有方法進行了分類與詳細分析。

相比于基于GAN和擴散模型的方法，自回歸模型方法能夠更加自然的處理多模態(tài)數(shù)據(jù)，以及利用目前流行的Transformer模型。自回歸方法一般先學習一個向量量化編碼器將圖片離散地表示為token序列，然后自回歸式地建模token的分布。由于文本和語音等數(shù)據(jù)都能表示為token并作為自回歸建模的條件，因此各種多模態(tài)圖片合成與編輯任務都能統(tǒng)一到一個框架當中。

以上方法主要聚焦于2D圖像的多模態(tài)合成與編輯。近期隨著神經(jīng)輻射場（NeRF）的迅速發(fā)展，3D感知的多模態(tài)合成與編輯也吸引了越來越多的關注。由于需要考慮多視角一致性，3D感知的多模態(tài)合成與編輯是更具挑戰(zhàn)性的任務。本文針對單場景優(yōu)化NeRF，生成式NeRF兩種方法對現(xiàn)有工作進行了分類與總結。

隨后，該綜述對以上四種模型方法的進行了比較和討論。總體而言，相比于GAN，目前最先進的模型更加偏愛自回歸模型和擴散模型。而NeRF在多模態(tài)合成與編輯任務的應用為這個領域的研究打開了一扇新的窗戶。

在第四章節(jié)，該綜述匯集了多模態(tài)合成與編輯領域流行的數(shù)據(jù)集以及相應的模態(tài)標注，并且針對各模態(tài)典型任務（語義圖像合成，文字到圖像合成，語音引導圖像編輯）對當前方法進行了定量的比較。同時也對多種模態(tài)同時控制生成的結果進行了可視化。

在第五章節(jié)，該綜述對此領域目前的挑戰(zhàn)和未來方向進行了探討和分析，包括大規(guī)模的多模態(tài)數(shù)據(jù)集，準確可靠的評估指標，高效的網(wǎng)絡架構，以及3D感知的發(fā)展方向。

在第六和第七章節(jié)，該綜述分別闡述了此領域潛在的社會影響和總結了文章的內(nèi)容與貢獻。