給 Imagen 加上“指哪打哪”的能力，會變得有多強(qiáng)？只需上傳 3-5 張指定物體的照片，再用文字描述想要生成的背景、動作或表情，就能讓指定物體“閃現(xiàn)”到你想要的場景中，動作表情也都栩栩如生。
不止是動物，其他物體像墨鏡、書包、花瓶，也都能做出幾乎以假亂真的成品：
屬于是發(fā)朋友圈也不會被別人看出破綻的那種。（手動狗頭）
這個(gè)神奇的文字-圖像生成模型名叫 DreamBooth，是谷歌的最新研究成果，基于 Imagen 的基礎(chǔ)上進(jìn)行了調(diào)整，一經(jīng)發(fā)布就在推特上引發(fā)熱議。
有網(wǎng)友調(diào)侃：這簡直是最先進(jìn)的梗圖生成器。
目前相關(guān)研究論文已上傳至 arXiv。
幾張照片就能“環(huán)游世界”
在介紹原理前，讓我們先來看看 DreamBooth 的各種能力，包括換景、指定動作表情服飾、更迭風(fēng)格等。
如果你是個(gè)“鏟屎官”，有了這個(gè)模型的“換景能力”，就能足不出戶送自家狗子走出家門，凡爾賽宮里、富士山腳下…… 通通不在話下。
△ 光照也比較自然
不僅如此，寵物的動作和表情也都能隨意指定，屬實(shí)是把“一句話 P 圖”的細(xì)節(jié)拿捏到位了。
除了上面的“基操”以外，DreamBooth 甚至還能更換各種照片風(fēng)格，也就是所謂的“加濾鏡”。例如，各種“世界名畫”畫風(fēng)、各種視角的狗子，簡直不要太藝術(shù)：
至于給它們加上裝飾？各種 cosplay 的小道具，也是小菜一碟。
除此之外，無論是更換顏色：
還是更魔幻一點(diǎn)，更換物種，這只 AI 也都能做到。
那么，如此有趣的效果背后的原理是什么呢？
給輸入加個(gè)“特殊標(biāo)識符”
研究人員做了個(gè)對比，相較于其他大規(guī)模文本-圖像模型如 DALL-E2、Imagen 等，只有采用 DreamBooth 的方法，才能做到對輸入圖像的忠實(shí)還原。
如下圖所示，輸入 3 張右邊表盤上畫著黃色“3”的小鬧表，其中 DreamBooth 生成的圖像完美保留了鐘表的所有細(xì)節(jié)，但 DALL-E2 和 Imagen 幾次生成的鐘都與原來的鐘“有那么點(diǎn)差異”。
△ 李逵和“李鬼”
而這也正是 DreamBooth 最大的特點(diǎn) —— 個(gè)性化表達(dá)。用戶可以給定 3-5 張自己隨意拍攝的某一物體的圖片，就能得到不同背景下的該物體的新穎再現(xiàn)，同時(shí)又保留了其關(guān)鍵特征。
當(dāng)然，作者也表示，這種方法并不局限于某個(gè)模型，如果 DALL?E2 經(jīng)過一些調(diào)整，同樣能實(shí)現(xiàn)這樣的功能。具體到方法上，DreamBooth 采用了給物體加上“特殊標(biāo)識符”的方法。
也就是說，原本圖像生成模型收到的指令只是一類物體，例如 [cat]、[dog] 等，但現(xiàn)在 DreamBooth 會在這類物體前加上一個(gè)特殊標(biāo)識符，變成 [V][物體類別]。
以下圖為例，將用戶上傳的三張狗子照片和相應(yīng)的類名（如“狗”）作為輸入信息，得到一個(gè)經(jīng)過微調(diào)的文本-圖像擴(kuò)散模型。該擴(kuò)散模型用“a [V] dog”來特指用戶上傳圖片中的狗子，再把其帶入文字描述中，生成特定的圖像，其中 [V] 就是那個(gè)特殊標(biāo)識符。
至于為什么不直接用 [V] 來指代整個(gè) [特定物體]？
作者表示，受限于輸入照片的數(shù)量，模型無法很好地學(xué)習(xí)到照片中物體的整體特征，反而可能出現(xiàn)過擬合。
因此這里采用了微調(diào)的思路，整體上仍然基于 AI 已經(jīng)學(xué)到的 [物體類別] 特征，再用 [V] 學(xué)到的特殊特征來修飾它。
以生成一只白色的狗為例，這里模型會通過 [V] 來學(xué)習(xí)狗的顏色（白色）、體型等個(gè)性化細(xì)節(jié)，加上模型在 [狗] 這個(gè)大的類別中學(xué)到的狗的共性，就能生成更多合理又不失個(gè)性的白狗的照片。
為了訓(xùn)練這個(gè)微調(diào)的文本-圖像擴(kuò)散模型，研究人員首先根據(jù)給定的文本描述生成低分辨率圖像，這時(shí)生成的圖像中狗子的形象是隨機(jī)的。
然后再應(yīng)用超分辨率的擴(kuò)散模型進(jìn)行替換，把隨機(jī)圖像換成用戶上傳的特定狗子。
研究團(tuán)隊(duì)
DreamBooth 的研究團(tuán)隊(duì)來自谷歌，第一作者是 Nataniel Ruiz。
Nataniel Ruiz 是波士頓大學(xué)圖像和視頻計(jì)算組的四年級博士生，目前在谷歌實(shí)習(xí)。主要研究方向是生成模型、圖像翻譯、對抗性攻擊、面部分析和模擬。
論文鏈接附在文末，感興趣的小伙伴們趕緊來看看吧～
論文地址：
https://arxiv.org/abs/2208.12242
參考鏈接：
[1]https://dreambooth.github.io/
[2]https://twitter.com/natanielruizg/status/1563166568195821569
[3]https://natanielruiz.github.io/
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時(shí)間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。