簡筆素描一鍵變身多風(fēng)格畫作，還能添加額外的描述，這在 CMU、Adobe 聯(lián)合推出的一項研究中實(shí)現(xiàn)了。

作者之一為 CMU 助理教授朱俊彥，其團(tuán)隊在 ICCV 2021 會議上發(fā)表過一項類似的研究：僅僅使用一個或數(shù)個手繪草圖，即可以自定義一個現(xiàn)成的 GAN 模型，進(jìn)而輸出與草圖匹配的圖像。

• 論文地址：https://arxiv.org/pdf/2403.12036.pdf
• GitHub 地址：https://github.com/GaParmar/img2img-turbo
• 試玩地址：https://huggingface.co/spaces/gparmar/img2img-turbo-sketch
• 論文標(biāo)題：One-Step Image Translation with Text-to-Image Models

效果如何？我們上手試玩了一番，得出的結(jié)論是：可玩性非常強(qiáng)。其中輸出的圖像風(fēng)格多樣化，包括電影風(fēng)、3D 模型、動畫、數(shù)字藝術(shù)、攝影風(fēng)、像素藝術(shù)、奇幻畫派、霓虹朋克和漫畫。

prompt 為「鴨子」。

prompt 為「一個草木環(huán)繞的小房子」。

prompt 為「打籃球的中國男生」。

prompt 為「肌肉男兔子」。

在這項工作中，研究者對條件擴(kuò)散模型在圖像合成應(yīng)用中存在的問題進(jìn)行了針對性改進(jìn)。這類模型使用戶可以根據(jù)空間條件和文本 prompt 生成圖像，并對場景布局、用戶草圖和人體姿勢進(jìn)行精確控制。

但是問題在于，擴(kuò)散模型的迭代導(dǎo)致推理速度變慢，限制了實(shí)時應(yīng)用，比如交互式 Sketch2Photo。此外模型訓(xùn)練通常需要大規(guī)模成對數(shù)據(jù)集，給很多應(yīng)用帶來了巨大成本，對其他一些應(yīng)用也不可行。

為了解決條件擴(kuò)散模型存在的問題，研究者引入了一種利用對抗學(xué)習(xí)目標(biāo)來使單步擴(kuò)散模型適應(yīng)新任務(wù)和新領(lǐng)域的通用方法。具體來講，他們將 vanilla 潛在擴(kuò)散模型的各個模塊整合到擁有小的可訓(xùn)練權(quán)重的單個端到端生成器網(wǎng)絡(luò)，從而增強(qiáng)模型保留輸入圖像結(jié)構(gòu)的能力，同時減少過擬合。

研究者推出了 CycleGAN-Turbo 模型，在未成對設(shè)置下，該模型可以在各種場景轉(zhuǎn)換任務(wù)中優(yōu)于現(xiàn)有基于 GAN 和擴(kuò)散的方法， 比如晝夜轉(zhuǎn)換、添加或移除霧雪雨等天氣效果。

同時，為了驗(yàn)證自身架構(gòu)的通用性，研究者對成對設(shè)置進(jìn)行實(shí)驗(yàn)。結(jié)果顯示，他們的模型 pix2pix-Turbo 實(shí)現(xiàn)了與 Edge2Image、Sketch2Photo 不相上下的視覺效果，并將推理步驟縮減到了 1 步。

總之，這項工作表明了，一步式預(yù)訓(xùn)練文本到圖像模型可以作為很多下游圖像生成任務(wù)的強(qiáng)大、通用主干。

方法介紹

該研究提出了一種通用方法，即通過對抗學(xué)習(xí)將單步擴(kuò)散模型（例如 SD-Turbo）適配到新的任務(wù)和領(lǐng)域。這樣做既能利用預(yù)訓(xùn)練擴(kuò)散模型的內(nèi)部知識，同時還能實(shí)現(xiàn)高效的推理（例如，對于 512x512 圖像，在 A6000 上為 0.29 秒，在 A100 上為 0.11 秒）。

此外，單步條件模型 CycleGAN-Turbo 和 pix2pix-Turbo 可以執(zhí)行各種圖像到圖像的轉(zhuǎn)換任務(wù)，適用于成對和非成對設(shè)置。CycleGAN-Turbo 超越了現(xiàn)有的基于 GAN 的方法和基于擴(kuò)散的方法，而 pix2pix-Turbo 與最近的研究（如 ControlNet 用于 Sketch2Photo 和 Edge2Image）不相上下，但具有單步推理的優(yōu)勢。

添加條件輸入

為了將文本到圖像模型轉(zhuǎn)換為圖像轉(zhuǎn)換模型，首先要做的是找到一種有效的方法將輸入圖像 x 合并到模型中。

將條件輸入合并到 Diffusion 模型中的一種常用策略是引入額外的適配器分支（adapter branch），如圖 3 所示。

具體來說，該研究初始化第二個編碼器，并標(biāo)記為條件編碼器（Condition Encoder）?？刂凭幋a器（Control Encoder）接受輸入圖像 x，并通過殘差連接將多個分辨率的特征映射輸出到預(yù)訓(xùn)練的 Stable Diffusion 模型。該方法在控制擴(kuò)散模型方面取得了顯著成果。

如圖 3 所示，該研究在單步模型中使用兩個編碼器（U-Net 編碼器和條件編碼器）來處理噪聲圖像和輸入圖像遇到的挑戰(zhàn)。與多步擴(kuò)散模型不同，單步模型中的噪聲圖直接控制生成圖像的布局和姿態(tài)，這往往與輸入圖像的結(jié)構(gòu)相矛盾。因此，解碼器接收到兩組代表不同結(jié)構(gòu)的殘差特征，這使得訓(xùn)練過程更加具有挑戰(zhàn)性。

直接條件輸入。圖 3 還說明了預(yù)訓(xùn)練模型生成的圖像結(jié)構(gòu)受到噪聲圖 z 的顯著影響?；谶@一見解，該研究建議將條件輸入直接饋送到網(wǎng)絡(luò)。為了讓主干模型適應(yīng)新的條件，該研究向 U-Net 的各個層添加了幾個 LoRA 權(quán)重（見圖 2）。

保留輸入細(xì)節(jié)

潛在擴(kuò)散模型 (LDMs) 的圖像編碼器通過將輸入圖像的空間分辨率壓縮 8 倍同時將通道數(shù)從 3 增加到 4 來加速擴(kuò)散模型的訓(xùn)練和推理過程。這種設(shè)計雖然能加快訓(xùn)練和推理速度，但對于需要保留輸入圖像細(xì)節(jié)的圖像轉(zhuǎn)換任務(wù)來說，可能并不理想。圖 4 展示了這一問題，我們拿一個白天駕駛的輸入圖像（左）并將其轉(zhuǎn)換為對應(yīng)的夜間駕駛圖像，采用的架構(gòu)不使用跳躍連接（中）?？梢杂^察到，如文本、街道標(biāo)志和遠(yuǎn)處的汽車等細(xì)粒度的細(xì)節(jié)沒有被保留下來。相比之下，采用了包含跳躍連接的架構(gòu)（右）所得到的轉(zhuǎn)換圖像在保留這些復(fù)雜細(xì)節(jié)方面做得更好。

為了捕捉輸入圖像的細(xì)粒度視覺細(xì)節(jié)，該研究在編碼器和解碼器網(wǎng)絡(luò)之間添加了跳躍連接（見圖 2）。具體來說，該研究在編碼器內(nèi)的每個下采樣塊之后提取四個中間激活，并通過一個 1×1 的零卷積層處理它們，然后將它們輸入到解碼器中對應(yīng)的上采樣塊。這種方法確保了在圖像轉(zhuǎn)換過程中復(fù)雜細(xì)節(jié)的保留。

實(shí)驗(yàn)

該研究將 CycleGAN-Turbo 與之前的基于 GAN 的非成對圖像轉(zhuǎn)換方法進(jìn)行了比較。從定性分析來看，如圖 5 和圖 6 顯示，無論是基于 GAN 的方法還是基于擴(kuò)散的方法，都難以在輸出圖像真實(shí)感和保持結(jié)構(gòu)之間達(dá)到平衡。

該研究還將 CycleGAN-Turbo 與 CycleGAN 和 CUT 進(jìn)行了比較。表 1 和表 2 展示了在八個無成對轉(zhuǎn)換任務(wù)上的定量比較結(jié)果。

CycleGAN 和 CUT 在較簡單的、以對象為中心的數(shù)據(jù)集上，如馬→斑馬（圖 13），展現(xiàn)出有效的性能，實(shí)現(xiàn)了低 FID 和 DINO-Structure 分?jǐn)?shù)。本文方法在 FID 和 DINO-Structure 距離指標(biāo)上略微優(yōu)于這些方法。

如表 1 和圖 14 所示，在以對象為中心的數(shù)據(jù)集（如馬→斑馬）上，這些方法可以生成逼真的斑馬，但在精確匹配對象姿勢上存在困難。

在駕駛數(shù)據(jù)集上，這些編輯方法的表現(xiàn)明顯更差，原因有三：（1）模型難以生成包含多個對象的復(fù)雜場景，（2）這些方法（除了 Instruct-pix2pix）需要先將圖像反轉(zhuǎn)為噪聲圖，引入潛在的人為誤差，（3）預(yù)訓(xùn)練模型無法合成類似于駕駛數(shù)據(jù)集捕獲的街景圖像。表 2 和圖 16 顯示，在所有四個駕駛轉(zhuǎn)換任務(wù)上，這些方法輸出的圖像質(zhì)量較差，并且不遵循輸入圖像的結(jié)構(gòu)。