谷歌用新AI超越自己：讓Imagen能夠指定生成對(duì)象，風(fēng)格還能隨意轉(zhuǎn)換
5張照片讓物體“閃現(xiàn)”到任意場(chǎng)景
羿閣 發(fā)自 凹非寺
量子位 | 公眾號(hào) QbitAI
給Imagen加上“指哪打哪”的能力，會(huì)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(dòng)作或表情，就能讓指定物體“閃現(xiàn)”到你想要的場(chǎng)景中，動(dòng)作表情也都栩栩如生。
不止是動(dòng)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(huì)被別人看出破綻的那種。（手動(dòng)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(jiǎn)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(dòng)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(dòng)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(jiǎn)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(shí)符”
研究人員做了個(gè)對(duì)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(duì)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(shí)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(huì)在這類物體前加上一個(gè)特殊標(biāo)識(shí)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(shí)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(huì)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(jí)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(duì)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/
相關(guān)閱讀
谷歌年度AI技術(shù)總結(jié)來了！Jeff Dean執(zhí)筆，附贈(zèng)27個(gè)開源工具和數(shù)據(jù)大禮包
五大趨勢(shì)總結(jié)，附贈(zèng)27個(gè)開源工具和數(shù)據(jù)集大禮包
谷歌將AutoML應(yīng)用到Transformer架構(gòu)，實(shí)現(xiàn)機(jī)器翻譯最佳性能
和以往其他Transformer不同，ET能夠根據(jù)特定任務(wù)進(jìn)行定制，在機(jī)器翻譯領(lǐng)域得到了最先進(jìn)的結(jié)果，并且對(duì)語言建模任務(wù)也進(jìn)行了改進(jìn)。
用文字描述給黑白照上色，這個(gè)免費(fèi)網(wǎng)站火了！網(wǎng)友：比其他同類都好用
背后的谷歌開發(fā)者，已研究黑白照上色5年多了
