文章鏈接：https://arxiv.org/abs/2501.13554
GitHub代碼：https://github.com/byliutao/1Prompt1Story
項目主頁：https://byliutao.github.io/1Prompt1Story.github.io/

亮點直擊

• 首次分析了語言模型維持固有上下文一致性的能力，能夠在一個提示中讓多個幀的描述天然指代同一主體身份。?
• 基于上下文一致性特性，提出了一種新穎的免訓(xùn)練方法——One Prompt One Story，用于實現(xiàn)一致的文本到圖像生成。更具體地，進一步提出了提示加權(quán)（SVR）和交叉注意一致性（IPCA）技術(shù)，以改善文本與圖像之間的對齊和主體一致性，使得每個幀提示能夠在單個提示內(nèi)獨立表達，同時保持與身份提示一致的身份。
• 方法在生成圖像時能夠在長篇敘述中有效維護身份一致性，并在擴展基準(zhǔn)測試中表現(xiàn)優(yōu)異。

效果先睹為快

下圖為One Prompt One Story的故事生成效果，在無需任何訓(xùn)練下就可以實現(xiàn)具有ID一致的多幀圖片生成。

總結(jié)速覽

解決的問題

• 文本到圖像生成模型在支持故事敘述時難以保持身份一致性。
• 現(xiàn)有解決方案通常需要大量訓(xùn)練或?qū)δＰ图軜?gòu)進行修改，限制了其適用性。

提出的方案

• 提出“單提示單故事”（1Prompt1Story）作為一種無需訓(xùn)練的方法，通過單一提示實現(xiàn)一致的文本到圖像生成。

應(yīng)用的技術(shù)

• 奇異值重加權(quán)（Singular-Value Reweighting）
• 身份保持的交叉注意力（Identity-Preserving Cross-Attention）

達到的效果

• 改善了文本-圖像對齊和主體一致性。
• 在與現(xiàn)有方法的比較中，通過定量指標(biāo)和定性評估展示了其在長篇敘述中保持身份一致性的有效性，并在擴展的ConsiStory+基準(zhǔn)上進行了驗證。

研究背景

基于文本的圖像生成（T2I）旨在從文本提示中生成高質(zhì)量的圖像，以展示不同場景中的各種主題。在動畫、故事敘述、視頻生成模型及其他敘事驅(qū)動的視覺應(yīng)用中，T2I擴散模型在多種場景中保持主體一致性的能力至關(guān)重要。然而，現(xiàn)有模型在生成一致性主體方面仍然面臨挑戰(zhàn)。最近基于訓(xùn)練的方法比如IP-Adapter, PhotoMaker通過訓(xùn)練一個Image encoder來注入身份信息，但這通常需要耗費大量時間，依賴于大型數(shù)據(jù)集進行訓(xùn)練或微調(diào)，并容易破壞基礎(chǔ)模型本身的生成能力和文體圖像一致性。

最近出現(xiàn)的無訓(xùn)練方法比如Consistory, StoryDiffusion通過在推理階段的self-attention模塊中共享不同圖像之間的圖像特征來生成具有強一致性的圖像，取得了顯著成果，但這類方法往往需要大量的顯存資源或復(fù)雜的模塊設(shè)計，并未充分考慮長提示中身份信息自然保持的固有特性。在這樣的背景下，我們提出了一種名為“單提示單故事”（One-Prompt-One-Story）的新方法，通過將所有所需提示整合為一個更長的句子，實現(xiàn)了在無需額外調(diào)優(yōu)或復(fù)雜設(shè)計情況下的圖像生成一致性。通過進一步引入的技巧以改善文本和圖像之間的對齊和主題一致性，1Prompt1Story在生成圖像時能夠有效維護長敘述中的身份一致性。

如下圖所示，現(xiàn)有方法在一致的文本到圖像生成方面面臨挑戰(zhàn)。像SDXL（Podell等，2023）和Juggernaut-X-v10（RunDiffusion，2024）這樣的T2I模型在生成的圖像中常常表現(xiàn)出明顯的身份不一致。盡管包括IP-Adapter和ConsiStory在內(nèi)的最新方法已改善了身份一致性，但它們在生成圖像與相應(yīng)輸入提示之間的對齊性上有所缺失。我們的方法1Prompt1Story（倒數(shù)第一列）所示的額外結(jié)果證明了在不影響文本與圖像之間對齊的情況下，能夠?qū)崿F(xiàn)更優(yōu)越的身份一致性生成。

單個prompt中的身份一致性分析

在文本嵌入一致性的分析中，本文比較了single prompt生成與multi prompt生成在語義距離上的差異，并通過t-SNE進行二維可視化。研究結(jié)果顯示，single prompt生成中的各幀提示的文本嵌入更加緊密，平均L2距離為46.42，而multi prompt生成的散布更廣，距離為71.25。這表明single prompt生成在語義信息和身份一致性方面更具優(yōu)勢。

在圖像生成方面，采用multi prompt生成的SDXL模型往往會生成缺乏身份一致性的角色。相較之下，通過“Naive Prompt Reweighting（NPR）”方法，利用串聯(lián)的single prompt生成可以在圖像幀中保持主體身份的一致性。這種方法在身份一致性和文本-圖像對齊上比multi prompt生成表現(xiàn)更佳。此外，1Prompt1Story方法在保持身份特征一致性方面更加出色，通過DINO-v2提取的視覺特征并使用t-SNE進行可視化證實了這一點。這些發(fā)現(xiàn)也在ConsiStory+基準(zhǔn)中得到驗證，表明single prompt生成在身份一致性上明顯優(yōu)于multi prompt生成。這說明在生成內(nèi)容時，通過采用合適的方法整合提示，可以顯著增強語義和身份的一致性。

上面左圖顯示了SDXL通過multi-prompt生成方法生成的圖像幀，而Naive Prompt Reweighting（NPR）和我們的方法則采用了single-prompt設(shè)置。中圖展示了通過DINO-v2提取的圖像特征，并通過t-SNE可視化。Naive Prompt Reweighting和1Prompt1Story相比SDXL模型表現(xiàn)出更一致的身份生成。右圖展示了我們擴展的ConsiStory+基準(zhǔn)中生成圖像特征的平均距離統(tǒng)計，進一步確認(rèn)了1Prompt1Story在身份一致性方面表現(xiàn)更加出色。

方法

Naive Prompt Reweighting

我們可以輕松實現(xiàn)一種基礎(chǔ)方法，稱為Naive Prompt Reweighting（NPR），以提高文本到圖像（T2I）生成的性能。通過放大需要表達的幀對應(yīng)的prompt embedding的權(quán)重，縮小需要抑制的幀對應(yīng)的prompt embedding的權(quán)重，生成的圖像即可具備一定的身份一致性。然而，這種方法存在兩個明顯的問題：一是生成的圖片之間背景較為相似，二是身份的一致性還不夠。這是因為在text encoder的因果掩碼機制下，每個單詞對應(yīng)的embedding都會包含前面所有單詞的信息，而EOT則包含整個句子的信息。因此，NPR無法完全消除其它幀prompt的影響，并且簡單的權(quán)重調(diào)整也會對embedding中的身份信息產(chǎn)生干擾。為了解決這些問題，我們提出了SVR和IPCA方法，可以更有效地剔除無關(guān)幀的prompt信息影響，并提高身份一致性。

1Prompt1Story

如上圖所示，a區(qū)域展示了1Prompt1Story的整體流程。我們將身份提示和幀提示結(jié)合為一個single prompt，隨后應(yīng)用奇異值重新加權(quán)（SVR）和身份保持交叉注意（IPCA）以生成身份一致的圖像。b區(qū)域描述了SVR的過程，我們首先增強需要表達的frame prompt的語義信息（紅色箭頭所示），然后迭代地弱化抑制需要抑制的frame prompt的語義信息（藍色箭頭所示）。c區(qū)域則展示了IPCA的過程，我們通過在cross attention中引入原始single prompt的embedding中的ID信息，與當(dāng)前生成的幀的embedding feature進行融合（也就是對KV進行concat），從而提升身份一致性。

實驗

在上圖中，我們展示了定性比較結(jié)果。我們的1Prompt1Story方法在多個關(guān)鍵方面表現(xiàn)出色，包括身份保留、精確的幀描述以及物體姿態(tài)的多樣性。相比之下，其他方法在這些方面存有不足。具體來說，PhotoMaker、ConsiStory和StoryDiffusion在左側(cè)示例中生成的“龍”這一主體顯示出身份不一致的問題。此外，IP-Adapter傾向于生成姿態(tài)重復(fù)、背景相似的圖像，常常忽略幀提示的細(xì)節(jié)描述。ConsiStory在一致的文本到圖像生成過程中也表現(xiàn)出背景重復(fù)的現(xiàn)象。此外，我們還與其他方法進行了定量比較。我們的方法1Prompt1Story在CLIP-T（文本-圖像對齊）得分上接近于原始SDXL模型。在身份一致性方面（通過DreamSim指標(biāo)衡量），我們的效果僅次于IP-Adapter。然而，IP-Adapter的高身份相似性主要是因為它傾向于生成姿態(tài)和布局相似的角色圖像。如下圖所示，我們的方法1Prompt1Story位于圖的右上角，顯示出在文本-圖像對齊和身份一致性方面都有良好的表現(xiàn)。

應(yīng)用

1Prompt1Story不僅能夠身份一致性生成，還能與現(xiàn)有的基于控制的生成方法（如ControlNet (Zhang & Agrawala, 2023)）進行結(jié)合。如上圖（左）所示，我們的方法通過ControlNet有效通過控制生成角色的姿態(tài)。此外，我們的方法可以與其他基于訓(xùn)練的方法（如PhotoMaker (Li et al., 2023b)）相結(jié)合，以提高圖像與真實參考圖像的身份一致性。通過采用我們的方法，所生成的圖像更貼近于真實身份，如上圖（右）所示。

結(jié)論與展望

在這篇論文中，我們通過利用自然語言中固有的上下文一致性特性，解決了文本到圖像（T2I）生成中保持主體一致性的關(guān)鍵挑戰(zhàn)。我們提出的“One-Prompt-One-Story（1Prompt1Story）”方法，采用單一擴展提示，確保在多樣化的場景中實現(xiàn)身份的一致性。通過整合奇異值重加權(quán)和身份保持交叉注意力等技術(shù)，該方法不僅優(yōu)化了幀描述，還在注意力層面增強了一致性。實驗結(jié)果在ConsiStory+基準(zhǔn)測試中顯示出1Prompt1Story優(yōu)于當(dāng)前最先進技術(shù)，展現(xiàn)了其在動畫、互動敘事和視頻生成中的應(yīng)用潛力。我們的研究強調(diào)了在T2I擴散模型中理解上下文的重要性，為實現(xiàn)更連貫和敘述一致的視覺輸出開辟了新路徑。

附加消融實驗

本文轉(zhuǎn)自AI生成未來 ，作者：AI生成未來

原文鏈接:??https://mp.weixin.qq.com/s/FySD3zgA4Ca6yLO4LnzJeA??