羿閣 發自 凹非寺量子位 | 公眾號 QbitAI

給Imagen加上“指哪打哪”的能力，會變得有多強？

只需上傳3-5張指定物體的照片，再用文字描述想要生成的背景、動作或表情，就能讓指定物體“閃現”到你想要的場景中，動作表情也都栩栩如生。

不止是動物，其他物體像墨鏡、書包、花瓶，也都能做出幾乎以假亂真的成品：

屬于是發朋友圈也不會被別人看出破綻的那種。（手動狗頭）

這個神奇的文字-圖像生成模型名叫DreamBooth，是谷歌的最新研究成果，基于Imagen的基礎上進行了調整，一經發布就在推特上引發熱議。

有網友調侃：這簡直是最先進的梗圖生成器。

目前相關研究論文已上傳至arXiv。

在介紹原理前，讓我們先來看看DreamBooth的各種能力，包括換景、指定動作表情服飾、更迭風格等。

如果你是個“鏟屎官”，有了這個模型的“換景能力”，就能足不出戶送自家狗子走出家門，凡爾賽宮里、富士山腳下……通通不在話下。

△光照也比較自然

不僅如此，寵物的動作和表情也都能隨意指定，屬實是把“一句話P圖”的細節拿捏到位了。

除了上面的“基操”以外，DreamBooth甚至還能更換各種照片風格，也就是所謂的“加濾鏡”。

例如，各種“世界名畫”畫風、各種視角的狗子，簡直不要太藝術：

至于給它們加上裝飾？各種cosplay的小道具，也是小菜一碟。

除此之外，無論是更換顏色：

還是更魔幻一點，更換物種，這只AI也都能做到。

那么，如此有趣的效果背后的原理是什么呢？

研究人員做了個對比，相較于其他大規模文本-圖像模型如DALL-E2、Imagen等，只有采用DreamBooth的方法，才能做到對輸入圖像的忠實還原。

如下圖所示，輸入3張右邊表盤上畫著黃色“3”的小鬧表，其中DreamBooth生成的圖像完美保留了鐘表的所有細節，但DALL-E2和Imagen幾次生成的鐘都與原來的鐘“有那么點差異”。

△李逵和“李鬼”

而這也正是DreamBooth最大的特點——個性化表達。

用戶可以給定3-5張自己隨意拍攝的某一物體的圖片，就能得到不同背景下的該物體的新穎再現，同時又保留了其關鍵特征。

當然，作者也表示，這種方法并不局限于某個模型，如果DALL·E2經過一些調整，同樣能實現這樣的功能。

具體到方法上，DreamBooth采用了給物體加上“特殊標識符”的方法。

也就是說，原本圖像生成模型收到的指令只是一類物體，例如[cat]、[dog]等，但現在DreamBooth會在這類物體前加上一個特殊標識符，變成[V][物體類別]。

以下圖為例，將用戶上傳的三張狗子照片和相應的類名（如“狗”）作為輸入信息，得到一個經過微調的文本-圖像擴散模型。

該擴散模型用“a [V] dog”來特指用戶上傳圖片中的狗子，再把其帶入文字描述中，生成特定的圖像，其中[V]就是那個特殊標識符。

至于為什么不直接用[V]來指代整個[特定物體]？

作者表示，受限于輸入照片的數量，模型無法很好地學習到照片中物體的整體特征，反而可能出現過擬合。

因此這里采用了微調的思路，整體上仍然基于AI已經學到的[物體類別]特征，再用[V]學到的特殊特征來修飾它。

以生成一只白色的狗為例，這里模型會通過[V]來學習狗的顏色（白色）、體型等個性化細節，加上模型在[狗]這個大的類別中學到的狗的共性，就能生成更多合理又不失個性的白狗的照片。

為了訓練這個微調的文本-圖像擴散模型，研究人員首先根據給定的文本描述生成低分辨率圖像，這時生成的圖像中狗子的形象是隨機的。

然后再應用超分辨率的擴散模型進行替換，把隨機圖像換成用戶上傳的特定狗子。

DreamBooth的研究團隊來自谷歌，第一作者是Nataniel Ruiz。

Nataniel Ruiz是波士頓大學圖像和視頻計算組的四年級博士生，目前在谷歌實習。主要研究方向是生成模型、圖像翻譯、對抗性攻擊、面部分析和模擬。

論文鏈接附在文末，感興趣的小伙伴們趕緊來看看吧～

論文地址：https://arxiv.org/abs/2208.12242參考鏈接：[1]https://dreambooth.github.io/[2]https://twitter.com/natanielruizg/status/1563166568195821569[3]https://natanielruiz.github.io/