大型語言模型（LLM）的出現(xiàn)統(tǒng)一了語言生成任務(wù)，并徹底改變了人機(jī)交互。然而，在圖像生成領(lǐng)域，能夠在單一框架內(nèi)處理各種任務(wù)的統(tǒng)一模型在很大程度上仍未得到探索。近日，智源推出了新的擴(kuò)散模型架構(gòu) OmniGen，一種新的用于統(tǒng)一圖像生成的多模態(tài)模型。

OmniGen 具有以下特點(diǎn)：

1. 統(tǒng)一性：OmniGen 天然地支持各種圖像生成任務(wù)，例如文生圖、圖像編輯、主題驅(qū)動(dòng)生成和視覺條件生成等。此外，OmniGen 可以處理經(jīng)典的計(jì)算機(jī)視覺任務(wù)，將其轉(zhuǎn)換為圖像生成任務(wù)。
2. 簡(jiǎn)單性：OmniGen 的架構(gòu)高度簡(jiǎn)化。此外，與現(xiàn)有模型相比，它更加用戶友好，可以通過指令完成復(fù)雜的任務(wù)，而不需要冗長(zhǎng)的處理步驟和額外的模塊 (如 ControlNet 或 IP-Adapter)，從而大大簡(jiǎn)化了工作流程。
3. 知識(shí)遷移：受益于統(tǒng)一格式的學(xué)習(xí)，OmniGen 有效地跨不同任務(wù)遷移知識(shí)，應(yīng)對(duì)未見過的任務(wù)和領(lǐng)域，并展示新穎的功能。我們還探討了模型的推理能力和思維鏈機(jī)制的在圖像生成領(lǐng)域的潛在應(yīng)用。

• Paper: https://arxiv.org/pdf/2409.11340
• Code: https://github.com/VectorSpaceLab/OmniGen
• Demo: https://huggingface.co/spaces/Shitao/OmniGen

基于 OmniGen 的通用能力，可實(shí)施更靈活的圖像生成，以上展示一個(gè)簡(jiǎn)單 Pipeline：文本生成圖像，編輯生成圖像的部分元素，根據(jù)生成圖像的人體姿態(tài)生成重繪圖像，從另一圖像中提取所需對(duì)象與新圖像融合。

一、介紹

近年來，許多文生圖模型在生成式 AI 的浪潮中脫穎而出。然而，這些出色的專有模型僅能基于文本生成圖像。當(dāng)用戶產(chǎn)生更靈活、復(fù)雜、精細(xì)等的圖像生成需求時(shí)，往往需要額外的插件和操作。

例如，若想?yún)⒖既我蛔藨B(tài)生成圖像，常規(guī)方法是：用姿態(tài)檢測(cè)器從參考圖像中估計(jì)姿態(tài)作為條件輸入，并加載對(duì)應(yīng)的 Controlnet 插件，最后提取條件輸入的特征饋入擴(kuò)散模型生成圖像。

此外，若想基于合照中的特定人物生成新圖像，流程更加繁瑣，需要裁剪圖像以確保結(jié)果圖像僅包含目標(biāo)人物。

而諸如 InstandID 等方法還需使用額外的人臉檢測(cè)器提取面部信息，并用面部編碼器提取特征以輸入模型。

值得注意的是，各種不同的生成任務(wù)甚至還需更多不同的插件和操作，如此復(fù)雜、瑣碎而冗長(zhǎng)的工作流極大地增加了訓(xùn)練和應(yīng)用的成本。然而，即便如此繁瑣，有時(shí)也仍難以滿足一般的圖像生成的需求，例如基于指定多張照片中的實(shí)體生成新圖像。

相反，在文本生成領(lǐng)域，以 ChatGPT 為代表的模型可通過人類指令直接處理各種文本任務(wù)。那么，在圖像生成領(lǐng)域，能否通過單個(gè)支持多種輸入且耦合多項(xiàng)能力的模型，基于用戶指令完成各種生成任務(wù)，而無需各種繁雜的流程嗎？

為解決這一挑戰(zhàn)性問題，智源發(fā)布了統(tǒng)一圖像生成模型 OmniGen。OmniGen 模型具有良好的簡(jiǎn)潔性和易用性，集成了多種基礎(chǔ)圖像生成任務(wù)，包括但不限于：文生圖、圖像編輯、角色一致性生成、基于視覺條件的生成等。OmniGen 支持基于任意多模態(tài)的文圖指令完成任務(wù)，而無需任何其他額外插件和操作。

二、能力

OmniGen 集多項(xiàng)能力于一體，包括但不限于：

1. 文本到圖像生成 (Text to Image Generation)
2. 指代表達(dá)生成 (Referring Expression Generation)
3. 通用圖像條件生成 (General Image Conditional Generation)
4. 圖像編輯 (Image Edit)
5. 經(jīng)典計(jì)算機(jī)視覺任務(wù)：圖像去噪、邊緣檢測(cè)、姿態(tài)估計(jì)等
6. 一定的上下文學(xué)習(xí)能力 (In-context Learning) 

以下簡(jiǎn)要展示部分能力效果：

2.1 文本到圖像生成

2.2 指代表達(dá)生成

OmniGen 具備類似 InstandID、Pulid 等模型生成角色一致性圖像等能力，即：輸入具有單個(gè)對(duì)象的圖像，理解并遵循指令，輸出基于該對(duì)象的新圖像。

同時(shí)，OmniGen 具有更高階的能力：指代表達(dá)生成能力，我們把這種能力定義為能夠從包含多個(gè)對(duì)象的圖像中，識(shí)別指令所指代的對(duì)象并生成新的圖像。

例如，OmniGen 可根據(jù)指令直接從多人圖像中定位目標(biāo)對(duì)象，并生成遵循指令的新圖像，而無需任何額外的模塊和操作：

更多樣例：

2.3 通用圖像條件生成

OmniGen 不僅支持類似 ControlNet 根據(jù)特定顯式條件生成圖像的能力，還同時(shí)具備處理經(jīng)典計(jì)算機(jī)視覺任務(wù)的能力（如人體姿態(tài)估計(jì)、深度估計(jì)等）。

因此，OmniGen 可憑借單個(gè)模型完成整個(gè) ControlNet 流程：直接使用 OmniGen 對(duì)原圖提取視覺條件，并基于所提取的條件生成圖像，無需額外處理器。

同時(shí)，OmniGen 還能更進(jìn)一步簡(jiǎn)化中間流程，一步出圖：直接輸入原圖，輸入指令「Following the human pose (or depth mapping) of this image, generate a new image:...」，就可根據(jù)輸入圖像的人體姿態(tài)或深度圖關(guān)系生成新圖像。

2.4 圖像編輯

OmniGen 具備良好的圖像編輯能力，并且可以在一次運(yùn)行中同時(shí)執(zhí)行多條編輯指令，例如：

2.5 更多能力

OmniGen 具備潛在的推理能力，可以處理對(duì)模型理解和推斷能力具有一定要求的非顯式查詢指令。

例如，要求模型刪除圖中能裝水的物品，則模型能夠理解和推斷出指令涉及的圖中物體并刪除：

另一方面，OmniGen 具有一定程度的上下文學(xué)習(xí)能力，可根據(jù)參考樣例對(duì)圖像進(jìn)行處理。例如，輸入一個(gè)分割皇后象棋的輸入 - 輸出配對(duì)樣例 (Example)，模型能識(shí)別并分割新輸入圖像中對(duì)應(yīng)的物體：

思維鏈（Chain-of-Thought, CoT）方法將任務(wù)分解為多個(gè)步驟，并按順序求解每個(gè)步驟以獲得準(zhǔn)確的最終答案，從而顯著提高了 llm 的性能。我們考慮是否可以將類似的替代方案應(yīng)用于圖像生成。受人類繪畫的基本方式的啟發(fā)，我們希望模仿一步一步的繪畫過程，從空白畫布上迭代地生成圖像。我們進(jìn)行了初步的探索，微調(diào)后模型能夠模擬人類行為一步步的生成圖片，進(jìn)一步的優(yōu)化留給以后的研究。

OmniGen 的能力包括但不限于以上內(nèi)容，還包括基本的圖像去噪、邊緣提取等能力。模型權(quán)重和代碼已開源，用戶可以自行探索更多 OmniGen 的能力。

三、模型

OmniGen 的核心設(shè)計(jì)原則是：簡(jiǎn)潔和有效。因此，我們最大程度舍棄了各種額外模塊。OmniGen 的基本架構(gòu)為：一個(gè) Transformer 模型和一個(gè) VAE 模塊，共 3.8B 參數(shù)。其中，Transformer 繼承于 Phi3-mini 模型，圖像內(nèi)部改用雙向注意力 (Bidirectional Attention) 以契合圖像數(shù)據(jù)特性。整體架構(gòu)如下所示：

為實(shí)現(xiàn)強(qiáng)大的通用和泛化能力，研究人員需要基于大規(guī)模和多樣化的數(shù)據(jù)集訓(xùn)練模型。然而，在圖像生成領(lǐng)域，尚無一個(gè)可用的通用數(shù)據(jù)集。為此，我們構(gòu)建了首個(gè)大規(guī)模且多樣化的統(tǒng)一圖像生成數(shù)據(jù)集 X2I，意為「Anything to Image」。其中，不同任務(wù)的數(shù)據(jù)格式被重新組織和統(tǒng)一，以便于管理和使用。X2I 數(shù)據(jù)集包含約 1 億圖像，未來經(jīng)審查等流程后將開源，旨在進(jìn)一步推動(dòng)通用圖像生成領(lǐng)域的發(fā)展。下圖簡(jiǎn)要展示了 X2I 數(shù)據(jù)集的一些示例：

四、小結(jié)與展望

總之，OmniGen 的統(tǒng)一圖像生成范式，不但有助于執(zhí)行各種下游任務(wù)，而且有利于組合各種能力滿足更通用的需求。當(dāng)前，OmniGen 的報(bào)告、權(quán)重和代碼等已開源，歡迎社區(qū)共同參與對(duì) OmniGen 潛在能力的發(fā)掘、基本性能的提升和廣泛應(yīng)用的探索。

OmniGen 模型是對(duì)統(tǒng)一圖像生成的初步嘗試，還有很大的提升空間。未來，智源將進(jìn)一步改進(jìn)模型基本能力，拓展更多有趣的功能。同時(shí)，微調(diào)代碼已發(fā)布，用戶可簡(jiǎn)單對(duì)其進(jìn)行微調(diào)，由于 OmniGen 的輸入形式非常多樣，用戶可自行定義各式各樣的微調(diào)任務(wù)，賦予模型更多有意思的能力。