近年來，擴散模型在文本到圖像生成方面取得了巨大的成功，實現了更高圖像生成質量，提高了推理性能，也可以激發擴展創作靈感。

不過僅憑文本來控制圖像的生成往往得不到想要的結果，比如具體的人物姿勢、面部表情等很難用文本指定。

最近，谷歌發布了MediaPipe Diffusion插件，可以在移動設備上運行「可控文本到圖像生成」的低成本解決方案，支持現有的預訓練擴散模型及其低秩自適應（LoRA）變體

背景知識

基于擴散模型的圖像生成過程可以認為是一個迭代去噪過程。

從噪聲圖像開始，在每個步驟中，擴散模型會逐漸對圖像進行降噪以生成符合目標概念的圖像，將文本提示作為條件可以大大提升圖像生成的效果。

對于文本到圖像生成，文本嵌入通過交叉注意層連接到圖像生成模型上，不過仍然有部分信息難以通過文本提示來描述，比如物體的位置和姿態等。

為了解決這個問題，研究人員提出引入額外的模型添加到擴散模型中，在條件圖像中注入控制信息。

常用的控制文生圖方法包括：

1. 即插即用（Plug-and-Play）用到去噪擴散隱式模型（DDIM）inversion方法，從輸入圖像開始反轉生成過程來導出初始噪聲輸入，然后采用擴散模型（Stable Diffusion1.5的情況下需要8.6億參數）對來自輸入圖像的條件進行編碼。

即插即用從復制的擴散中提取具有自注意力的空間特征，并將其注入到文本轉圖像的擴散過程中。

2. ControlNet會創建擴散模型編碼器的一個可訓練副本，通過零初始化參數后的卷積層連接，將傳遞到解碼器層的條件信息進行編碼。

3. T2I Adapter是一個較小的網絡（7700萬參數），在可控生成中可以實現類似的效果，只需要將條件圖像作為輸入，其輸出在所有擴散迭代中共享。

不過T2I適配器模型并不是為便攜式移動設備設計的。

MediaPipe Diffusion插件

為了使條件生成更高效、可定制且可擴展，研究人員將MediaPipe擴散插件設計為一個單獨的網絡：

1. 可插入（Plugable）：可以很容易地與預訓練基礎模型進行連接；

2. 從零開始訓練（Trained from scratch）：不使用來自基礎模型的預訓練權重；

3. 可移植性（Portable）：可以在移動設備上運行基礎模型，并且推理成本相比原模型來說可以忽略不計。

即插即用、ControlNet、T2I適配器和MediaPipe擴散插件的對比，*具體數字會根據選用模型不同而發生變化

簡單來說，MediaPipe擴散插件就是一個用于文本到圖像生成的，可在便攜式設備上運行的模型，從條件圖像中提取多尺度特征，并添加到相應層次擴散模型的編碼器中；當連接到文生圖擴散模型時，插件模型可以向圖像生成提供額外的條件信號。

插件網絡是一個輕量級的模型，只有600萬參數，使用MobileNetv2中的深度卷積和反向瓶頸（inverted bottleneck）在移動設備上實現快速推理。

MediaPipe擴散模型插件是一個單獨的網絡，輸出可以插入到預訓練的文本到圖像生成模型中，提取的特征應用于擴散模型的相關下采樣層（藍色）。

與ControlNet不同，研究人員在所有擴散迭代中注入相同的控制功能，所以對于圖像生成過程只需要運行一次插件，節省了計算量。

下面的例子中可以看到，控制效果在每個擴散步驟都是有效的，即使在前期迭代步中也能夠控制生成過程；更多的迭代次數可以改善圖像與文本提示的對齊，并生成更多的細節。

使用MediaPipe擴散插件進行生成過程的演示

示例

在這項工作中，研究人員開發了基于擴散的文本到圖像生成模型與MediaPipe face landmark，MediaPipe holistic landmark，深度圖和Canny邊緣的插件。

對于每個任務，從超大規模的圖像-文本數據集中選擇約10萬張圖像，并使用相應的MediaPipe解決方案計算控制信號，使用PaLI優化后的描述來對插件進行訓練。

Face Landmark

MediaPipe Face Landmarker任務計算人臉的478個landmark（具有注意力）。

研究人員使用MediaPipe中的drawing utils來渲染人臉，包括臉部輪廓、嘴巴、眼睛、眉毛和虹膜，并使用不同的顏色進行表示。

下面這個例子展現了通過調節面網格和提示隨機生成的樣本；作為對比，ControlNet和Plugin都可以在給定條件下控制文本到圖像的生成。

用于文本到圖像生成的Face-landmark插件，與ControlNet進行比較。

Holistic Landmark

MediaPipe Holistic Landmark任務包括身體姿勢、手和面部網格的landmark，可以通過調節整體特征來生成各種風格化的圖像。

用于文本到圖像生成的Holistic landmark插件。

深度

深度插件的文本到圖像生成。

Canny Edge

用于生成文本到圖像的Canny-edge插件。

評估

研究人員對face landmark插件進行定量評估以證明該模型的性能，評估數據集包含5000張人類圖像，使用的評估指標包括Fréchet起始距離（FID）和CLIP分數。

基礎模型使用預訓練的文本到圖像擴散模型Stable Diffusion v1.5

FID、CLIP和推理時間的定量比較

從實驗結果中的FID和CLIP分數來看，ControlNet和MediaPipe擴散插件生成的樣本質量比基礎模型好得多。

與ControlNet不同，插件模型只需要為每個生成的圖像運行一次，不需要在每個去噪步中都運行，所以推理時間只增加了2.6%

研究人員在服務器機器（使用Nvidia V100 GPU）和移動端設備（Galaxy S23）上測量了三種模型的性能：在服務器上，使用50個擴散步驟運行所有三個模型；在移動端上，使用MediaPipe圖像生成應用程序運行20個擴散步驟。

與ControlNet相比，MediaPipe插件在保持樣本質量的同時，在推理效率方面表現出明顯的優勢。

插件在不同移動的設備上的推理時間（ms）

總結

在這項工作中，研究人員提出了MediaPipe，一個可在移動端使用的、有條件的文本到圖像生成插件，將從條件圖像中提取的特征注入擴散模型，從而控制圖像的生成過程。

便攜式插件可以連接到在服務器或設備上運行的預訓練的擴散模型，通過在設備上完全運行文本到圖像生成和插件，可以更靈活地應用生成式AI

責任編輯：彭菁