高質(zhì)量圖像編輯的方法有很多，但都很難準確表達出真實的物理世界。

那么，Edit the World試試。

圖片

來自北京大學、Tiamat AI、天工AI、Mila實驗室提出了EditWorld，他們引入了一種新的編輯任務，即世界指令（world-instructed）圖像編輯，它定義和分類基于各種世界場景的指令。

圖片

在一組預訓練模型，比如GPT-3.5、Video-LLava 和 SDXL的支持下，建立了一個帶有世界指令的多模態(tài)數(shù)據(jù)集。

在該數(shù)據(jù)集訓練了一個基于擴散的圖像編輯模型EditWorld，結(jié)果在其新任務的表現(xiàn)明顯優(yōu)于現(xiàn)有的編輯方法，實現(xiàn)SOTA。

圖像編輯新SOTA

現(xiàn)有的方法通過多種途徑實現(xiàn)高質(zhì)量的圖像編輯，包括但不限于文本控制、拖動操作以及inpainting。其中，利用instruction進行編輯的方法由于使用方便受到廣泛的關(guān)注。

盡管現(xiàn)有的圖片編輯方法能夠產(chǎn)生高質(zhì)量的結(jié)果，但它們在處理傳達物理世界中真實視覺動態(tài)的世界動態(tài)方面仍然存在困難。

如圖1所示，無論是InstructPix2pix還是MagicBrush都無法生成合理的編輯結(jié)果。

圖片

為了解決這一問題，團隊引入了一項新的任務，稱為world-instructed image editing，使圖像編輯能夠反映真實物理世界和虛擬媒體中的“世界動態(tài)”。

具體來說，他們定義并分類了各種世界動態(tài)指令，并基于這些指令創(chuàng)建了一個新的多模態(tài)訓練數(shù)據(jù)集，該數(shù)據(jù)集包含大量的輸入-指令-輸出三元組。

最后，團隊使用精心制作的數(shù)據(jù)集訓練了一個文本引導的擴散模型，并提出了一種零樣本圖像操作策略，以實現(xiàn)world-instructed image editing。

根據(jù)現(xiàn)實世界以及虛擬媒體中的任務場景，將world-instructed image editing分為7種認為類別，并對每一種類別進行了定義與介紹，同時提供了一個數(shù)據(jù)樣例。

圖片

隨后團隊設(shè)計了文本到圖片生成以及視頻分鏡提取兩個分支來獲取數(shù)據(jù)集。

文本生成圖片分支是為了豐富數(shù)據(jù)場景的豐富性，在該分支下，團隊首先利用GPT生成文本四元組（包括input圖片描述、instruction、output圖片描述以及關(guān)鍵詞），接著利用input以及output描述生成對應文本的圖片，利用關(guān)鍵詞對應的attention map對編輯位置進行定位獲取編輯mask，與此同時為了保證前后兩張圖關(guān)鍵特征的一致性，團隊引入了image prompt adaption的方法IP-Adapter，最后團隊使用IP-Adapter以及ControlNet，結(jié)合output image的canny map以及input image的image prompt feature，利用Image Inpainting對output image進行調(diào)整，從而獲得比較有效的編輯數(shù)據(jù)。

圖片

利用文本生成圖片分支得到場景豐富的數(shù)據(jù)后，為了能向數(shù)據(jù)集中添加真實數(shù)據(jù)，團隊從視頻中提取高質(zhì)量的關(guān)鍵幀作為編輯數(shù)據(jù)。具體來說，團隊從視頻分鏡中提取相關(guān)性強且結(jié)構(gòu)差異大兩幀作為起始與末尾幀，并切分出一段新的分鏡，利用多模態(tài)大模型對這段分鏡的變化進行描述，最后團隊以起始與末尾幀作為input image以及output image，以得到的描述作為instruction，這樣就獲得了需要的編輯數(shù)據(jù)。

再進一步，團隊利用人工對生成數(shù)據(jù)進行recheck，從而進一步提升數(shù)據(jù)質(zhì)量。

團隊利用數(shù)據(jù)集對InstructPix2Pix模型進行finetune，同時為了保護非編輯區(qū)域?qū)崿F(xiàn)更為精確的編輯，團隊提出了post-edit策略。

圖片

圖片

最終可以看到，團隊的方法可以很好地實現(xiàn)world-instructed image editing。

論文鏈接：
https://arxiv.org/abs/2405.14785
代碼鏈接：
https://github.com/YangLing0818/EditWorld