在 AIGC 的神奇世界里，我們可以在圖像上通過「拖曳」的方式，改變并合成自己想要的圖像。比如讓一頭獅子轉(zhuǎn)頭并張嘴：

實現(xiàn)這一效果的研究出自華人一作領(lǐng)銜的「Drag Your GAN」論文，于上個月放出并已被 SIGGRAPH 2023 會議接收。

一個多月過去了，該研究團隊于近日放出了官方代碼。短短三天時間，Star 量便已突破了 23k，足可見其火爆程度。

圖片

GitHub 地址：https://github.com/XingangPan/DragGAN

無獨有偶，今日又一項類似的研究 —— DragDiffusion 進入了人們的視線。此前的 DragGAN 實現(xiàn)了基于點的交互式圖像編輯，并取得像素級精度的編輯效果。但是也有不足，DragGAN 是基于生成對抗網(wǎng)絡(luò)（GAN），通用性會受到預(yù)訓(xùn)練 GAN 模型容量的限制。

在新研究中，新加坡國立大學(xué)和字節(jié)跳動的幾位研究者將這類編輯框架擴展到了擴散模型，提出了 DragDiffusion。他們利用大規(guī)模預(yù)訓(xùn)練擴散模型，極大提升了基于點的交互式編輯在現(xiàn)實世界場景中的適用性。

雖然現(xiàn)在大多數(shù)基于擴散的圖像編輯方法都適用于文本嵌入，但 DragDiffusion 優(yōu)化了擴散潛在表示，實現(xiàn)了精確的空間控制。

圖片

• 論文地址：https://arxiv.org/pdf/2306.14435.pdf
• 項目地址：https://yujun-shi.github.io/projects/dragdiffusion.html

研究者表示，擴散模型以迭代方式生成圖像，而「一步」優(yōu)化擴散潛在表示足以生成連貫結(jié)果，使 DragDiffusion 高效完成了高質(zhì)量編輯。

他們在各種具有挑戰(zhàn)性的場景（如多對象、不同對象類別）下進行了廣泛實驗，驗證了 DragDiffusion 的可塑性和通用性。相關(guān)代碼也將很快放出、

下面我們看看 DragDiffusion 效果如何。

首先，我們想讓下圖中的小貓咪的頭再抬高一點，用戶只需將紅色的點拖拽至藍色的點就可以了：

接下來，我們想讓山峰變得再高一點，也沒有問題，拖拽紅色關(guān)鍵點就可以了：

圖片

還想讓雕塑的頭像轉(zhuǎn)個頭，拖拽一下就能辦到：

圖片

讓岸邊的花，開的范圍更廣一點：

方法介紹

本文提出的 DRAGDIFFUSION 旨在優(yōu)化特定的擴散潛變量，以實現(xiàn)可交互的、基于點的圖像編輯。

為了實現(xiàn)這一目標(biāo)，該研究首先在擴散模型的基礎(chǔ)上微調(diào) LoRA，以重建用戶輸入圖像。這樣做可以保證輸入、輸出圖像的風(fēng)格保持一致。

接下來，研究者對輸入圖像采用 DDIM inversion（這是一種探索擴散模型的逆變換和潛在空間操作的方法），以獲得特定步驟的擴散潛變量。

在編輯過程中，研究者反復(fù)運用動作監(jiān)督和點跟蹤，以優(yōu)化先前獲得的第 t 步擴散潛變量，從而將處理點的內(nèi)容「拖拽（drag）」到目標(biāo)位置。編輯過程還應(yīng)用了正則化項，以確保圖像的未掩碼區(qū)域保持不變。

最后，通過 DDIM 對優(yōu)化后的第 t 步潛變量進行去噪，得到編輯后的結(jié)果。總體概覽圖如下所示：

圖片

實驗結(jié)果

給定一張輸入圖像，DRAGDIFFUSION 將關(guān)鍵點（紅色）的內(nèi)容「拖拽」到相應(yīng)的目標(biāo)點（藍色）。例如在圖（1）中，將小狗的頭轉(zhuǎn)過來，圖（7）將老虎的嘴巴合上等等。

圖片

下面是更多示例演示。如圖（4）將山峰變高，圖（7）將筆頭變大等等。

圖片