Pine 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI
當(dāng)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、表情的那種！
比如說你能輕松讓鳥張開翅膀 （輸入“張開翅膀的鳥”即可）：
又或者說，想要讓一只站立的狗蹲下：
看起來還真不賴！而這個新的“P圖”方法呢，名叫 Imagic，是基于爆火的擴(kuò)散模型 （Diffusion Model）來實現(xiàn)的。
是的，又是擴(kuò)散模型，它的能耐想必也不用多介紹了吧 （那看那鋪天蓋地和它相關(guān)的論文就能佐證）。
那在擴(kuò)散模型加持下的Imagic到底有何厲害之處，話不多說，一起來看看吧！
多達(dá)6種功能
據(jù)不完全統(tǒng)計，Imagic的功能就有 6種。
改變姿勢、變換構(gòu)圖、切換濾鏡、多個對象編輯、添加對象、更改顏色……
先來看看這個P圖神器 改變姿勢的效果，比如說輸入一條站立的狗，通過變換提示文字，得到的效果是醬紫的～
或者說輸入一個隨意站立的人，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。
總的來說，Imagic的厲害之處太多，這里就不一一詳細(xì)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的點，就是當(dāng)你告訴它要如何“P圖”后，它會隨機生成幾個不同的選項供你選擇。
其實這種在真實圖像上編輯的模型Imagic不是第一個，在此之前就已經(jīng)有很多個類似的模型。
這時就會有網(wǎng)友問了，“Imagic有什么厲害的點呢？”
話不多說，直接上效果對比。
這里選取了比較常見的基于真實圖像編輯的兩個模型：SDEdit、Text2LIVE與Imagic作對比。
結(jié)果很顯然，Imagic完成“P圖指令”的效果很好，在細(xì)節(jié)上也絲毫不遜色其他模型。
（確實妙啊）
那Imagic是如何“擊敗”SDEdit、Text2LIVE，實現(xiàn)這樣的效果呢？
是怎樣實現(xiàn)的
千言萬語匯成四個字： 擴(kuò)散模型，在論文的標(biāo)題上它都赫然在列。
具體到Imagic中，擴(kuò)散模型的作用是如何發(fā)揮出來的，來看看詳細(xì)的“P圖”過程。
整體來說分為三大步。
第一步是優(yōu)化文本嵌入層。
具體來說，先給定輸入的圖像和目標(biāo)文本，然后對目標(biāo)文本進(jìn)行編碼，得到初始的嵌入層。
然后不斷調(diào)整初始嵌入層，讓其能夠通過預(yù)先訓(xùn)練的擴(kuò)散模型很好地重建輸入圖像。
這樣一來，最終便會得到優(yōu)化后的嵌入層 （能夠很好地重建輸入圖像）。
第二步是對擴(kuò)散模型進(jìn)行微調(diào)，這時就要用到上一步已經(jīng)優(yōu)化之后的嵌入層，讓嵌入層經(jīng)過模型后重建輸入圖像。
在重建的過程，需要不斷更改模型中損失函數(shù)的參數(shù)，以讓模型適應(yīng)優(yōu)化后的輸入層，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)之后的模型。
第三步就要開始正式P圖了。
值得一提的是，這一步除了輸入初始的目標(biāo)嵌入層 （tgt）外，還會插入優(yōu)化好的嵌入層 （opt），它們的關(guān)系如下圖。
通過變換參數(shù)，實際的效果如下圖。
如果你想更加詳細(xì)地了解Imagic，可以戳文末鏈接閱讀論文原文。
研究團(tuán)隊
Imagic的六位作者均來自google Research，論文有兩位第一作者：Bahjat Kawar和Shiran Zada，均來自以色列。
值得一提的是，Bahjat Kawar還是一位以色列理工學(xué)院在讀博士，他是在Google Research實習(xí)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(dān)任軟件工程師以及技術(shù)主管的職務(wù)，主要負(fù)責(zé)網(wǎng)絡(luò)安全相關(guān)的項目開發(fā)。
— 完—
