來自谷歌和波士頓大學(xué)的研究者提出了一種「個性化」的文本到圖像擴散模型 DreamBooth，能夠適應(yīng)用戶特定的圖像生成需求。

近來，文本到圖像模型成為一個熱門的研究方向，無論是自然景觀大片，還是新奇的場景圖像，都可能使用簡單的文本描述自動生成的。

其中，渲染天馬行空的的想象場景是一項具有挑戰(zhàn)性的任務(wù)，需要在新的場景中合成特定主題（物體、動物等）的實例，以便它們自然無縫地融入場景。

一些大型文本到圖像模型基于用自然語言編寫的文本提示（prompt）實現(xiàn)了高質(zhì)量和多樣化的圖像合成。這些模型的主要優(yōu)點是從大量的圖像 - 文本描述對中學(xué)到強大的語義先驗，例如將「dog」這個詞與可以在圖像中以不同姿勢出現(xiàn)的各種狗的實例關(guān)聯(lián)在一起。

雖然這些模型的合成能力是前所未有的，但它們?nèi)狈δ７陆o定參考主題的能力，以及在不同場景中合成主題相同、實例不同的新圖像的能力。可見，已有模型的輸出域的表達(dá)能力有限。

為了解決這個問題，來自谷歌和波士頓大學(xué)的研究者提出了一種「個性化」的文本到圖像擴散模型 DreamBooth，能夠適應(yīng)用戶特定的圖像生成需求。

論文地址：https://arxiv.org/abs/2208.12242

項目地址：https://github.com/XavierXiao/Dreambooth-Stable-Diffusion

該研究的目標(biāo)是擴展模型的語言 - 視覺字典，使其將新詞匯與用戶想要生成的特定主題綁定。一旦新字典嵌入到模型中，它就可以使用這些詞來合成特定主題的新穎逼真的圖像，同時在不同的場景中進(jìn)行情境化，保留關(guān)鍵識別特征，效果如下圖 1 所示。

具體來說，該研究將給定主題的圖像植入模型的輸出域，以便可以使用唯一標(biāo)識符對其進(jìn)行合成。為此，該研究提出了一種用稀有 token 標(biāo)識符表示給定主題的方法，并微調(diào)了一個預(yù)訓(xùn)練的、基于擴散的文本到圖像框架，該框架分兩步運行；從文本生成低分辨率圖像，然后應(yīng)用超分辨率（SR）擴散模型。

首先該研究使用包含唯一標(biāo)識符（帶有主題類名，例如「A [V] dog」）的輸入圖像和文本提示微調(diào)低分辨率文本到圖像模型。為了防止模型將類名與特定實例過擬合和語義漂移，該研究提出了一種自生的、特定于類的先驗保存（preservation）損失，它利用嵌入模型中類的先驗語義，鼓勵模型生成給定主題下同一類中的不同實例。

第二步，該研究使用輸入圖像的低分辨率和高分辨率版本對超分辨率組件進(jìn)行微調(diào)。這允許模型對場景主題中小而重要細(xì)節(jié)保持高保真度。

我們來看一下該研究提出的具體方法。

方法介紹

給定 3-5 張捕獲的圖像，這些圖像沒有文字描述，本文旨在生成具有高細(xì)節(jié)保真度和由文本提示引導(dǎo)變化的新圖像。該研究不對輸入圖像施加任何限制，并且主題圖像可以具有不同的上下文。方法如圖 3 所示。輸出圖像可對原始圖像進(jìn)行修改，如主題的位置，更改主題的屬性如顏色、形狀，并可以修改主體的姿勢、表情、材質(zhì)以及其他語義修改。

更具體的說，本文方法將一個主題（例如，一只特定的狗）和相應(yīng)類名（例如，狗類別）的一些圖像（通常 3 - 5 張圖）作為輸入，并返回一個經(jīng)過微調(diào) / 個性化的文本到圖像模型，該模型編碼了一個引用主題的唯一標(biāo)識符。然后，在推理時，可以在不同的句子中植入唯一標(biāo)識符來合成不同語境中的主題。

該研究的第一個任務(wù)是將主題實例植入到模型的輸出域，并將主題與唯一標(biāo)識符綁定。該研究提出了設(shè)計標(biāo)識符的方法，此外還設(shè)計了一種監(jiān)督模型微調(diào)過程的新方法。

為了解決圖像過擬合以及語言漂移問題，該研究還提出了一種損失（ Prior-Preservation Loss ），通過鼓勵擴散模型不斷生成與主題相同的類的不同實例，從而減輕模型過擬合、語言漂移等問題。

為了保留圖像細(xì)節(jié)，該研究發(fā)現(xiàn)應(yīng)該對模型的超分辨率（SR）組件進(jìn)行微調(diào)，本文在經(jīng)過預(yù)訓(xùn)練的 Imagen 模型的基礎(chǔ)上來完成。具體過程如圖 4 所示，給定同一主題的 3-5 張圖像，之后通過兩個步驟微調(diào)文本到圖像的擴散模型：

稀有 token 標(biāo)識符表示主題

該研究將主題的所有輸入圖像標(biāo)記為「a [identifier] [class noun]」，其中 [identifier] 是鏈接到主題的唯一標(biāo)識符，而 [class noun] 是主題的粗略類別描述符 （例如貓、狗、手表等）。該研究在句子中特別使用了類描述符，以便將類的先驗與主題聯(lián)系起來。

效果展示

下面是 Dreambooth 一個穩(wěn)定擴散的實現(xiàn)（參考項目鏈接）。定性結(jié)果：訓(xùn)練圖像來自「Textual Inversion」庫：

訓(xùn)練完成后，在「photo of a sks container」提示下，模型生成的集裝箱照片如下：

在提示中加個位置「photo of a sks container on the beach」，集裝箱出現(xiàn)在沙灘上；

綠色的集裝箱顏色太單一了，想加點紅色，輸入提示「photo of a red sks container」就能搞定：

輸入提示「a dog on top of sks container」就能讓小狗坐在箱子里：

下面是論文中展示的一些結(jié)果。生成不同畫家風(fēng)格的關(guān)于狗狗的藝術(shù)圖：

該研究還可以合成輸入圖像中沒有出現(xiàn)的各種表情，展示了模型的外推能力：

審核編輯 ：李倩