当你拍照片时,“模特不好好配合”怎么办?
没事!现在只用一句话就能后期 P 图了,还是能改变动作、表情的那种!
比如说你能轻松让鸟张开翅膀(输入“张开翅膀的鸟”即可):
又或者说,想要让一只站立的狗蹲下:
看起来还真不赖!而这个新的“P 图”方法呢,名叫 Imagic,是基于爆火的扩散模型(Diffusion Model)来实现的。
是的,又是扩散模型,它的能耐想必也不用多介绍了吧(那看那铺天盖地和它相关的论文就能佐证)。
那在扩散模型加持下的 Imagic 到底有何厉害之处,话不多说,一起来看看吧!
多达 6 种功能
据不完全统计,Imagic 的功能就有 6 种。
改变姿势、变换构图、切换滤镜、多个对象编辑、添加对象、更改颜色……
先来看看这个 P 图神器改变姿势的效果,比如说输入一条站立的狗,通过变换提示文字,得到的效果是酱紫的~
或者说输入一个随意站立的人,输入口令,他就“乖乖听话,任你摆布”(手动狗头)了,甚至还能凭空出现一个水杯。
还没看够?那再来康康 Imagic 其他功能:改变颜色,或者增加对象,也可以多种功能同时使用。
总的来说,Imagic 的厉害之处太多,这里就不一一详细展开了,效果可以看下图。
除了这么多功能之外,Imagic 还有另外一个比较人性化的点,就是当你告诉它要如何“P 图”后,它会随机生成几个不同的选项供你选择。
其实这种在真实图像上编辑的模型 Imagic 不是第一个,在此之前就已经有很多个类似的模型。
这时就会有网友问了,“Imagic 有什么厉害的点呢?”
话不多说,直接上效果对比。
这里选取了比较常见的基于真实图像编辑的两个模型:SDEdit、Text2LIVE 与 Imagic 作对比。
结果很显然,Imagic 完成“P 图指令”的效果很好,在细节上也丝毫不逊色其他模型。
(确实妙啊)
那 Imagic 是如何“击败”SDEdit、Text2LIVE,实现这样的效果呢?
是怎样实现的
千言万语汇成四个字:扩散模型,在论文的标题上它都赫然在列。
具体到 Imagic 中,扩散模型的作用是如何发挥出来的,来看看详细的“P 图”过程。
整体来说分为三大步。
第一步是优化文本嵌入层。
具体来说,先给定输入的图像和目标文本,然后对目标文本进行编码,得到初始的嵌入层。
然后不断调整初始嵌入层,让其能够通过预先训练的扩散模型很好地重建输入图像。
这样一来,最终便会得到优化后的嵌入层(能够很好地重建输入图像)。
第二步是对扩散模型进行微调,这时就要用到上一步已经优化之后的嵌入层,让嵌入层经过模型后重建输入图像。
在重建的过程,需要不断更改模型中损失函数的参数,以让模型适应优化后的输入层,直到能够很好地重建输入图像时为止,这样一来便得到了微调之后的模型。
第三步就要开始正式 P 图了。
值得一提的是,这一步除了输入初始的目标嵌入层(tgt)外,还会插入优化好的嵌入层(opt),它们的关系如下图。
通过变换参数,实际的效果如下图。
研究团队
Imagic 的六位作者均来自 Google Research,论文有两位第一作者:Bahjat Kawar 和 Shiran Zada,均来自以色列。
值得一提的是,Bahjat Kawar 还是一位以色列理工学院在读博士,他是在 Google Research 实习期间完成了这项研究。
而 Shiran Zada 今年 5 月刚加入 Google Research,目前是计算机视觉研究员。
他曾在微软担任软件工程师以及技术主管的职务,主要负责网络安全相关的项目开发。
参考链接:
[1]https://arxiv.org/abs/2210.09276
[2]https://twitter.com/Buntworthy/status/1582307817884889088
[3]https://github.com/justinpinkney/stable-diffusion/blob/main/notebooks/imagic.ipynb
本文来自微信公众号:量子位 (ID:QbitAI),作者:Pine
广告声明:文内含有的对外跳转链接(包括不限于超链接、二维码、口令等形式),用于传递更多信息,节省甄选时间,结果仅供参考,IT之家所有文章均包含本声明。