Midjourney 劲敌来了,谷歌 StyleDrop 王牌「定制大师」引爆 AI 艺术圈
- 新智元
2023-06-05 12:38
Midjourney 强敌来了!谷歌定制大师 StyleDrop,将一张图片作为参考,不论多复杂的艺术风格都能复刻。
谷歌 StyleDrop 一出,瞬间在网上刷屏了。
给定梵高的星空,AI 化身梵高大师,对这种抽象风格顶级理解后,做出无数幅类似的画作。
再来一张卡通风,想要绘制的物体呆萌了许多。
甚至,它还能精准把控细节,设计出原风格的 logo。
StyleDrop 的魅力在于,只需要一张图作为参考,无论多么复杂的艺术风格,都能解构再复刻。
网友纷纷表示,又是淘汰设计师的那种 AI 工具。
StyleDrop 爆火研究便是来自谷歌研究团队最新出品。
现在,有了 StyleDrop 这样的工具,不但可以更可控地绘画,还可以完成之前难以想象的精细工作,比如绘制 logo。
就连英伟达科学家将其称为「现象级」成果。
「定制」大师
论文作者介绍道,StyleDrop 的灵感来源 Eyedropper(吸色 / 取色工具)。
同样,StyleDrop 同样希望大家可以快速、毫不费力地从单个 / 少数参考图像中「挑选」样式,以生成该样式的图像。
一只树懒能够有 18 种风格:
一只熊猫有 24 种风格:
小朋友画的水彩画,StyleDrop 完美把控,甚至连纸张的褶皱都还原出来了。
不得不说,太强了。
还有 StyleDrop 参考不同风格对英文字母的设计:
同样是梵高风的字母。
还有线条画。线条画是对图像的高度抽象,对画面生成构成合理性要求非常高,过去的方法一直很难成功。
原图中奶酪阴影的笔触还原到每种图片的物体上。
参考安卓 LOGO 创作。
此外,研究人员还拓展了 StyleDrop 的能力,不仅能定制风格,结合 DreamBooth,还能定制内容。
比如,还是梵高风,给小柯基生成类似风格的画作:
再来一个,下面这只柯基有种埃及金字塔上的「狮身人面像」的感觉。
如何工作?
StyleDrop 基于 Muse 构建,由两个关键部分组成:
一个是生成视觉 Transformer 的参数有效微调,另一个是带反馈的迭代训练。
之后,研究人员再从两个微调模型中合成图像。
Muse 是一种基于掩码生成图像 Transformer 最新的文本到图像的合成模型。它包含两个用于基础图像生成 (256 × 256) 和超分辨率 (512 × 512 或 1024 × 1024) 的合成模块。
每个模块都由一个文本编码器 T,一个 transformer G,一个采样器 S,一个图像编码器 E 和解码器 D 组成。
T 将文本提示 t∈T 映射到连续嵌入空间 E。G 处理文本嵌入 e∈E 以生成视觉 token 序列的对数 l∈L。S 通过迭代解码从对数中提取视觉 token 序列 v∈V,该迭代解码运行几步的 transformer 推理,条件是文本嵌入 e 和从前面步骤解码的视觉 token。
最后,D 将离散 token 序列映射到像素空间 I。总的来说,给定一个文本提示 t,图像 I 的合成如下:
图 2 是一个简化了的 Muse transformer 层的架构,它进行了部分修改,为的是支持参数高效微调(PEFT)与适配器。
使用 L 层的 transformer 处理在文本嵌入 e 的条件下以绿色显示的视觉 token 序列。学习参数 θ 被用于构建适配器调优的权重。
为了训练 θ,在许多情况下,研究人员可能只给出图片作为风格参考。
研究人员需要手动附加文本提示。他们提出了一个简单的、模板化的方法来构建文本提示,包括对内容的描述,后面跟着描述风格的短语。
例如,研究人员在表 1 中用「猫」描述一个对象,并附加「水彩画」作为风格描述。
在文本提示中包含内容和风格的描述至关重要,因为它有助于从风格中分离出内容,这是研究人员的主要目标。
图 3 则是带反馈的迭代训练。
当在单一风格参考图像(橙色框)上进行训练时,StyleDrop 生成的一些图像可能会展示出从风格参考图像中提取出的内容(红色框,图像背景中含有与风格图像类似的房子)。
其他图像(蓝色框)则能更好地从内容中拆分出风格。对 StyleDrop 进行好样本(蓝色框)的迭代训练,结果在风格和文本保真度之间取得了更好的平衡(绿色框)。
这里研究人员还用到了两个方法:
-CLIP 得分
该方法用于测量图像和文本的对齐程度。因此,它可以通过测量 CLIP 得分(即视觉和文本 CLIP 嵌入的余弦相似度)来评估生成图像的质量。
研究人员可以选择得分最高的 CLIP 图像。他们称这种方法为 CLIP 反馈的迭代训练(CF)。
在实验中,研究人员发现,使用 CLIP 得分来评估合成图像的质量是提高召回率(即文本保真度)的有效方式,而不会过多损失风格保真度。
然而从另一方面看,CLIP 得分可能不能完全与人类的意图对齐,也无法捕捉到微妙的风格属性。
-HF
人工反馈(HF)是一种将用户意图直接注入到合成图像质量评估中的更直接的方式。
在强化学习的 LLM 微调中,HF 已经证明了它的强大和有效。
HF 可以用来补偿 CLIP 得分无法捕捉到微妙风格属性的问题。
目前,已有大量研究关注了文本到图像的扩散模型的个性化问题,以合成包含多种个人风格的图像。
研究人员展示了如何以简单的方式将 DreamBooth 和 StyleDrop 结合起来,从而使风格和内容都能实现个性化。
这是通过从两个修改后的生成分布中采样来完成的,分别由风格的 θs 和内容的 θc 指导,分别是在风格和内容参考图像上独立训练的适配器参数。
与现有的成品不同,该团队的方法不需要在多个概念上对可学习的参数进行联合训练,这就带来了更大的组合能力,因为预训练的适配器是分别在单个主题和风格上进行训练的。
研究人员的整体采样过程遵循等式 (1) 的迭代解码,每个解码步骤中采样对数的方式有所不同。
设 t 为文本提示,c 为无风格描述符的文本提示,在步骤 k 计算对数如下:
其中:γ 用于平衡 StyleDrop 和 DreamBooth—— 如果 γ 为 0,我们得到 StyleDrop,如果为 1,我们得到 DreamBooth。
通过合理设置 γ,我们就可以得到合适的图像。
实验设置
目前为止,还没有对文本-图像生成模型的风格调整进行广泛的研究。
因此,研究人员提出了一个全新实验方案:
-数据收集
研究者收集了几十张不同风格的图片,从水彩和油画,平面插图,3D 渲到不同材质的雕塑。
-模型配置
研究人员使用适配器调优基于 Muse 的 StyleDrop 。对于所有实验,使用 Adam 优化器更新 1000 步的适配器权重,学习速率为 0.00003。除非另有说明,研究人员使用 StyleDrop 来表示第二轮模型,该模型在 10 多个带有人工反馈的合成图像上进行训练。
-评估
研究报告的定量评估基于 CLIP,衡量风格一致性和文本对齐。此外,研究人员进行了用户偏好研究,以评估风格一致性和文本对齐。
如图,研究人员收集的 18 个不同风格的图片,StyleDrop 处理的结果。
可以看到,StyleDrop 能够捕捉各种样式的纹理、阴影和结构的细微差别,能够比以前更好地控制风格。
为了进行比较,研究人员还介绍了 DreamBooth 在 Imagen 上的结果,DreamBooth 在 Stable Diffusion 上的 LoRA 实现和文本反演的结果。
具体结果如表所示,图像-文本对齐(Text)和视觉风格对齐(Style)的人类评分(上)和 CLIP 评分(下)的评价指标。
(a) DreamBooth,(b) StyleDrop,和 (c) DreamBooth + StyleDrop 的定性比较:
这里,研究人员应用了上面提到的 CLIP 分数的两个指标 —— 文本和风格得分。
对于文本得分,研究人员测量图像和文本嵌入之间的余弦相似度。对于风格得分,研究人员测量风格参考和合成图像嵌入之间的余弦相似度。
研究人员为 190 个文本提示生成总共 1520 个图像。虽然研究人员希望最终得分能高一些,但其实这些指标并不完美。
而迭代训练(IT)提高了文本得分,这符合研究人员的目标。
然而,作为权衡,它们在第一轮模型上的风格得分有所降低,因为它们是在合成图像上训练的,风格可能因选择偏见而偏移。
Imagen 上的 DreamBooth 在风格得分上不及 StyleDrop(HF 的 0.644 对比 0.694)。
研究人员注意到,Imagen 上的 DreamBooth 的风格得分增加并不明显(0.569 → 0.644),而 Muse 上的 StyleDrop 的增加更加明显(0.556 → 0.694)。
研究人员分析,Muse 上的风格微调比 Imagen 上的更有效。
另外,在细粒度控制上,StyleDrop 捕捉微妙的风格差异,如颜色偏移,层次,或锐角的把控。
网友热评
要是设计师有了 StyleDrop,10 倍速工作效率,已经起飞。
AI 一天,人间 10 年,AIGC 正在以光速发展,那种晃瞎人眼的光速!
工具只是顺应了潮流,该被淘汰的已经早被淘汰了。
对于制作 Logo 来说这个工具比 Midjourney 好用得多。
参考资料:
https://styledrop.github.io/
本文来自微信公众号:新智元 (ID:AI_era)
广告声明:文内含有的对外跳转链接(包括不限于超链接、二维码、口令等形式),用于传递更多信息,节省甄选时间,结果仅供参考,IT之家所有文章均包含本声明。