Midjourney劲敌来了 Google StyleDrop王牌“定制大师”引爆AI艺术圈
Midjourney劲敌来了GoogleStyleDrop王牌“定制大师”引爆AI艺术圈再来一张卡通风，想要绘制的物体呆萌了许多。甚至，它还能精准把控细节，设计出原风格的logo。StyleDrop的魅力在于，只需要一张图作为参考，无论多么复杂的艺术风格，都能解构再复刻。网友纷纷表示，又是淘汰设计师的那种AI工具。StyleDrop爆火研究便是来自Google研究团队最新出品。论文地址：https://arxiv.org/pdf/2306.00983.pdf现在，有了StyleDrop这样的工具，不但可以更可控地绘画，还可以完成之前难以想象的精细工作，比如绘制logo。就连英伟达科学家将其称为“现象级”成果。“定制”大师论文作者介绍道，StyleDrop的灵感来源Eyedropper（吸色/取色工具）。同样，StyleDrop同样希望大家可以快速、毫不费力地从单个/少数参考图像中“挑选”样式，以生成该样式的图像。一只树懒能够有18种风格：一只熊猫有24种风格：小朋友画的水彩画，StyleDrop完美把控，甚至连纸张的褶皱都还原出来了。不得不说，太强了。还有StyleDrop参考不同风格对英文字母的设计：同样是梵高风的字母。还有线条画。线条画是对图像的高度抽象，对画面生成构成合理性要求非常高，过去的方法一直很难成功。原图中奶酪阴影的笔触还原到每种图片的物体上。参考AndroidLOGO创作。此外，研究人员还拓展了StyleDrop的能力，不仅能定制风格，结合DreamBooth，还能定制内容。比如，还是梵高风，给小柯基生成类似风格的画作：再来一个，下面这只柯基有种埃及金字塔上的“狮身人面像”的感觉。如何工作？StyleDrop基于Muse构建，由两个关键部分组成：一个是生成视觉Transformer的参数有效微调，另一个是带反馈的迭代训练。之后，研究人员再从两个微调模型中合成图像。Muse是一种基于掩码生成图像Transformer最新的文本到图像的合成模型。它包含两个用于基础图像生成(256×256)和超分辨率(512×512或1024×1024)的合成模块。每个模块都由一个文本编码器T，一个transformerG，一个采样器S，一个图像编码器E和解码器D组成。T将文本提示t∈T映射到连续嵌入空间E。G处理文本嵌入e∈E以生成视觉token序列的对数l∈L。S通过迭代解码从对数中提取视觉token序列v∈V，该迭代解码运行几步的transformer推理，条件是文本嵌入e和从前面步骤解码的视觉token。最后，D将离散token序列映射到像素空间I。总的来说，给定一个文本提示t，图像I的合成如下：图2是一个简化了的Musetransformer层的架构，它进行了部分修改，为的是支持参数高效微调（PEFT）与适配器。使用L层的transformer处理在文本嵌入e的条件下以绿色显示的视觉token序列。学习参数θ被用于构建适配器调优的权重。为了训练θ，在许多情况下，研究人员可能只给出图片作为风格参考。研究人员需要手动附加文本提示。他们提出了一个简单的、模板化的方法来构建文本提示，包括对内容的描述，后面跟着描述风格的短语。例如，研究人员在表1中用“猫”描述一个对象，并附加“水彩画”作为风格描述。在文本提示中包含内容和风格的描述至关重要，因为它有助于从风格中分离出内容，这是研究人员的主要目标。图3则是带反馈的迭代训练。当在单一风格参考图像（橙色框）上进行训练时，StyleDrop生成的一些图像可能会展示出从风格参考图像中提取出的内容（红色框，图像背景中含有与风格图像类似的房子）。其他图像（蓝色框）则能更好地从内容中拆分出风格。对StyleDrop进行好样本（蓝色框）的迭代训练，结果在风格和文本保真度之间取得了更好的平衡（绿色框）。这里研究人员还用到了两个方法：-CLIP得分该方法用于测量图像和文本的对齐程度。因此，它可以通过测量CLIP得分（即视觉和文本CLIP嵌入的余弦相似度）来评估生成图像的质量。研究人员可以选择得分最高的CLIP图像。他们称这种方法为CLIP反馈的迭代训练（CF）。在实验中，研究人员发现，使用CLIP得分来评估合成图像的质量是提高召回率（即文本保真度）的有效方式，而不会过多损失风格保真度。然而从另一方面看，CLIP得分可能不能完全与人类的意图对齐，也无法捕捉到微妙的风格属性。-HF人工反馈（HF）是一种将用户意图直接注入到合成图像质量评估中的更直接的方式。在强化学习的LLM微调中，HF已经证明了它的强大和有效。HF可以用来补偿CLIP得分无法捕捉到微妙风格属性的问题。目前，已有大量研究关注了文本到图像的扩散模型的个性化问题，以合成包含多种个人风格的图像。研究人员展示了如何以简单的方式将DreamBooth和StyleDrop结合起来，从而使风格和内容都能实现个性化。这是通过从两个修改后的生成分布中采样来完成的，分别由风格的θs和内容的θc指导，分别是在风格和内容参考图像上独立训练的适配器参数。与现有的成品不同，该团队的方法不需要在多个概念上对可学习的参数进行联合训练，这就带来了更大的组合能力，因为预训练的适配器是分别在单个主题和风格上进行训练的。研究人员的整体采样过程遵循等式(1)的迭代解码，每个解码步骤中采样对数的方式有所不同。设t为文本提示，c为无风格描述符的文本提示，在步骤k计算对数如下：其中：γ用于平衡StyleDrop和DreamBooth——如果γ为0，我们得到StyleDrop，如果为1，我们得到DreamBooth。通过合理设置γ，我们就可以得到合适的图像。实验设置目前为止，还没有对文本-图像生成模型的风格调整进行广泛的研究。因此，研究人员提出了一个全新实验方案：-数据收集研究者收集了几十张不同风格的图片，从水彩和油画，平面插图，3D渲到不同材质的雕塑。-模型配置研究人员使用适配器调优基于Muse的StyleDrop。对于所有实验，使用Adam优化器更新1000步的适配器权重，学习速率为0.00003。除非另有说明，研究人员使用StyleDrop来表示第二轮模型，该模型在10多个带有人工反馈的合成图像上进行训练。-评估研究报告的定量评估基于CLIP，衡量风格一致性和文本对齐。此外，研究人员进行了用户偏好研究，以评估风格一致性和文本对齐。如图，研究人员收集的18个不同风格的图片，StyleDrop处理的结果。可以看到，StyleDrop能够捕捉各种样式的纹理、阴影和结构的细微差别，能够比以前更好地控制风格。为了进行比较，研究人员还介绍了DreamBooth在Imagen上的结果，DreamBooth在StableDiffusion上的LoRA实现和文本反演的结果。具体结果如表所示，图像-文本对齐（Text）和视觉风格对齐（Style）的人类评分（上）和CLIP评分（下）的评价指标。(a)DreamBooth，(b)StyleDrop，和(c)DreamBooth+StyleDrop的定性比较：这里，研究人员应用了上面提到的CLIP分数的两个指标——文本和风格得分。对于文本得分，研究人员测量图像和文本嵌入之间的余弦相似度。对于风格得分，研究人员测量风格参考和合成图像嵌入之间的余弦相似度。研究人员为190个文本提示生成总共1520个图像。虽然研究人员希望最终得分能高一些，但其实这些指标并不完美。而迭代训练（IT）提高了文本得分，这符合研究人员的目标。然而，作为权衡，它们在第一轮模型上的风格得分有所降低，因为它们是在合成图像上训练的，风格可能因选择偏见而偏移。Imagen上的DreamBooth在风格得分上不及StyleDrop（HF的0.644对比0.694）。研究人员注意到，Imagen上的DreamBooth的风格得分增加并不明显（0.569→0.644），而Muse上的StyleDrop的增加更加明显（0.556→0.694）。研究人员分析，Muse上的风格微调比Imagen上的更有效。另外，在细粒度控制上，StyleDrop捕捉微妙的风...PC版：https://www.cnbeta.com.tw/articles/soft/1363333.htm手机版：https://m.cnbeta.com.tw/view/1363333.htm
在Telegram中查看相关推荐
🔍 发送关键词来寻找群组、频道或视频。
启动SOSO机器人