本文經(jīng)自動(dòng)駕駛之心公眾號(hào)授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)聯(lián)系出處。

生成式AI作為當(dāng)前人工智能領(lǐng)域的前沿技術(shù)，已被廣泛的應(yīng)用于各類視覺(jué)合成任務(wù)。

隨著DALL-E2，Stable Diffusion和DreamFusion的發(fā)布，AI作畫和3D合成實(shí)現(xiàn)了令人驚嘆的視覺(jué)效果并且在全球范圍內(nèi)的爆炸式增長(zhǎng)。這些生成式AI技術(shù)深刻地拓展了人們對(duì)于AI圖像生成能力的認(rèn)識(shí)，那么這些生成式AI方法是如何生成以假亂真的視覺(jué)效果？又是如何利用深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)技術(shù)來(lái)實(shí)現(xiàn)畫作、3D生成以及其他創(chuàng)造性任務(wù)的呢？我們的綜述論文將會(huì)給您提供這些問(wèn)題的答案。

論文：https://arxiv.org/abs/2112.13592

GitHub地址：

https://github.com/fnzhan/Generative-AI

項(xiàng)目地址：https://fnzhan.com/Generative-AI/

在第一章節(jié)，該綜述描述了多模態(tài)圖像合成與編輯任務(wù)的意義和整體發(fā)展，以及本論文的貢獻(xiàn)與總體結(jié)構(gòu)。

在第二章節(jié)，根據(jù)引導(dǎo)圖片合成與編輯的數(shù)據(jù)模態(tài)，該綜述論文介紹了比較常用的視覺(jué)引導(dǎo)，文字引導(dǎo)，語(yǔ)音引導(dǎo)，還有近期DragGAN提出的控制點(diǎn)引導(dǎo)等，并且介紹了相應(yīng)模態(tài)數(shù)據(jù)的處理方法。

在第三章節(jié)，根據(jù)圖像合成與編輯的模型框架，該論文對(duì)目前的各種方法進(jìn)行了分類，包括基于GAN的方法，擴(kuò)散模型方法，自回歸方法，和神經(jīng)輻射場(chǎng)（NeRF）方法。

由于基于GAN的方法一般使用條件GAN和 GAN 反演，因此該論文進(jìn)一步根據(jù) 控制條件的融合方式，模型的結(jié)構(gòu)，損失函數(shù)設(shè)計(jì)，多模態(tài)對(duì)齊，和跨模態(tài)監(jiān)督進(jìn)行了詳細(xì)描述。

近期，火熱的擴(kuò)散模型也被廣泛應(yīng)用于多模態(tài)合成與編輯任務(wù)。例如效果驚人的DALLE-2和Imagen都是基于擴(kuò)散模型實(shí)現(xiàn)的。相比于GAN，擴(kuò)散式生成模型擁有一些良好的性質(zhì)，比如靜態(tài)的訓(xùn)練目標(biāo)和易擴(kuò)展性。該論文依據(jù)條件擴(kuò)散模型和預(yù)訓(xùn)練擴(kuò)散模型對(duì)現(xiàn)有方法進(jìn)行了分類與詳細(xì)分析。

相比于基于GAN和擴(kuò)散模型的方法，自回歸模型方法能夠更加自然的處理多模態(tài)數(shù)據(jù)，以及利用目前流行的Transformer模型。自回歸方法一般先學(xué)習(xí)一個(gè)向量量化編碼器將圖片離散地表示為token序列，然后自回歸式地建模token的分布。由于文本和語(yǔ)音等數(shù)據(jù)都能表示為token并作為自回歸建模的條件，因此各種多模態(tài)圖片合成與編輯任務(wù)都能統(tǒng)一到一個(gè)框架當(dāng)中。

以上方法主要聚焦于2D圖像的多模態(tài)合成與編輯。近期隨著神經(jīng)輻射場(chǎng)（NeRF）的迅速發(fā)展，3D感知的多模態(tài)合成與編輯也吸引了越來(lái)越多的關(guān)注。由于需要考慮多視角一致性，3D感知的多模態(tài)合成與編輯是更具挑戰(zhàn)性的任務(wù)。本文針對(duì)單場(chǎng)景優(yōu)化NeRF，生成式NeRF兩種方法對(duì)現(xiàn)有工作進(jìn)行了分類與總結(jié)。

隨后，該綜述對(duì)以上四種模型方法的進(jìn)行了比較和討論?？傮w而言，相比于GAN，目前最先進(jìn)的模型更加偏愛(ài)自回歸模型和擴(kuò)散模型。而NeRF在多模態(tài)合成與編輯任務(wù)的應(yīng)用為這個(gè)領(lǐng)域的研究打開(kāi)了一扇新的窗戶。

在第四章節(jié)，該綜述匯集了多模態(tài)合成與編輯領(lǐng)域流行的數(shù)據(jù)集以及相應(yīng)的模態(tài)標(biāo)注，并且針對(duì)各模態(tài)典型任務(wù)（語(yǔ)義圖像合成，文字到圖像合成，語(yǔ)音引導(dǎo)圖像編輯）對(duì)當(dāng)前方法進(jìn)行了定量的比較。同時(shí)也對(duì)多種模態(tài)同時(shí)控制生成的結(jié)果進(jìn)行了可視化。

在第五章節(jié)，該綜述對(duì)此領(lǐng)域目前的挑戰(zhàn)和未來(lái)方向進(jìn)行了探討和分析，包括大規(guī)模的多模態(tài)數(shù)據(jù)集，準(zhǔn)確可靠的評(píng)估指標(biāo)，高效的網(wǎng)絡(luò)架構(gòu)，以及3D感知的發(fā)展方向。

在第六和第七章節(jié)，該綜述分別闡述了此領(lǐng)域潛在的社會(huì)影響和總結(jié)了文章的內(nèi)容與貢獻(xiàn)。

原文鏈接：https://mp.weixin.qq.com/s/T8vFK2iRSLb_E1hJ6pzuGA