Pine 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI
當你拍照片時，“模特不好好配合”怎么辦？
沒事！現(xiàn)在只用一句話就能后期P圖了，還是能改變動作、表情得那種！
比如說你能輕松讓鳥張開翅膀（輸入“張開翅膀得鳥”即可）：
又或者說，想要讓一只站立得狗蹲下：
看起來還真不賴！而這個新得“P圖”方法呢，名叫Imagic，是基于爆火得擴散模型（Diffusion Model）來實現(xiàn)得。
是得，又是擴散模型，它得能耐想必也不用多介紹了吧（那看那鋪天蓋地和它相關(guān)得論文就能佐證）。
那在擴散模型加持下得Imagic到底有何厲害之處，話不多說，一起來看看吧！
多達6種功能據(jù)不完全統(tǒng)計，Imagic得功能就有6種。
改變姿勢、變換構(gòu)圖、切換濾鏡、多個對象感謝、添加對象、更改顏色……
先來看看這個P圖神器改變姿勢得效果，比如說輸入一條站立得狗，通過變換提示文字，得到得效果是醬紫得～
或者說輸入一個隨意站立得人，輸入口令，他就“乖乖聽話，任你擺布”（手動狗頭）了，甚至還能憑空出現(xiàn)一個水杯。
還沒看夠？那再來康康Imagic其他功能：改變顏色，或者增加對象，也可以多種功能同時使用。
總得來說，Imagic得厲害之處太多，這里就不一一詳細展開了，效果可以看下圖。
除了這么多功能之外，Imagic還有另外一個比較人性化得點，就是當你告訴它要如何“P圖”后，它會隨機生成幾個不同得選項供你選擇。
其實這種在真實圖像上感謝得模型Imagic不是第壹個，在此之前就已經(jīng)有很多個類似得模型。
這時就會有網(wǎng)友問了，“Imagic有什么厲害得點呢？”
話不多說，直接上效果對比。
這里選取了比較常見得基于真實圖像感謝得兩個模型：SDEdit、Text2LIVE與Imagic作對比。
結(jié)果很顯然，Imagic完成“P圖指令”得效果很好，在細節(jié)上也絲毫不遜色其他模型。
（確實妙?。?/p>
那Imagic是如何“擊敗”SDEdit、Text2LIVE，實現(xiàn)這樣得效果呢？
是怎樣實現(xiàn)得千言萬語匯成四個字：擴散模型，在論文得標題上它都赫然在列。
具體到Imagic中，擴散模型得作用是如何發(fā)揮出來得，來看看詳細得“P圖”過程。
整體來說分為三大步。
第壹步是優(yōu)化文本嵌入層。
具體來說，先給定輸入得圖像和目標文本，然后對目標文本進行編碼，得到初始得嵌入層。
然后不斷調(diào)整初始嵌入層，讓其能夠通過預先訓練得擴散模型很好地重建輸入圖像。
這樣一來，最終便會得到優(yōu)化后得嵌入層（能夠很好地重建輸入圖像）。
第二步是對擴散模型進行微調(diào)，這時就要用到上一步已經(jīng)優(yōu)化之后得嵌入層，讓嵌入層經(jīng)過模型后重建輸入圖像。
在重建得過程，需要不斷更改模型中損失函數(shù)得參數(shù)，以讓模型適應(yīng)優(yōu)化后得輸入層，直到能夠很好地重建輸入圖像時為止，這樣一來便得到了微調(diào)之后得模型。
第三步就要開始正式P圖了。
值得一提得是，這一步除了輸入初始得目標嵌入層（tgt）外，還會插入優(yōu)化好得嵌入層（opt），它們得關(guān)系如下圖。
通過變換參數(shù)，實際得效果如下圖。
如果你想更加詳細地了解Imagic，可以戳文末鏈接閱讀論文原文。
研究團隊Imagic得六位均來自Google Research，論文有兩位第壹：Bahjat Kawar和Shiran Zada，均來自以色列。
值得一提得是，Bahjat Kawar還是一位以色列理工學院在讀博士，他是在Google Research實習期間完成了這項研究。
而Shiran Zada今年5月剛加入Google Research，目前是計算機視覺研究員。
他曾在微軟擔任軟件工程師以及技術(shù)主管得職務(wù)，主要負責網(wǎng)絡(luò)安全相關(guān)得項目開發(fā)。
參考鏈接：
[1]arxiv.org/abs/2210.09276
[2]twitter/Buntworthy/status/1582307817884889088
[3]github/justinpinkney/stable-diffusion/blob/main/notebooks/imagic.ipynb
— 完 —
量子位 QbitAI · 頭條號簽約
我們，第壹時間獲知前沿科技動態(tài)
