Pine 發自 凹非寺
量子位 | 公眾號 QbitAI
當你拍照片時，“模特不好好配合”怎麼辦？
沒事！現在只用一句話就能後期P圖了，還是能改變動作、表情的那種！
比如說你能輕鬆讓鳥張開翅膀（輸入“張開翅膀的鳥”即可）：
又或者說，想要讓一隻站立的狗蹲下：
看起來還真不賴！而這個新的“P圖”方法呢，名叫Imagic，是基於爆火的擴散模型（Diffusion Model）來實現的。
是的，又是擴散模型，它的能耐想必也不用多介紹了吧（那看那鋪天蓋地和它相關的論文就能佐證）。
那在擴散模型加持下的Imagic到底有何厲害之處，話不多說，一起來看看吧！
多達6種功能據不完全統計，Imagic的功能就有6種。
改變姿勢、變換構圖、切換濾鏡、多個物件編輯、新增物件、更改顏色……
先來看看這個P圖神器改變姿勢的效果，比如說輸入一條站立的狗，透過變換提示文字，得到的效果是醬紫的～
或者說輸入一個隨意站立的人，輸入口令，他就“乖乖聽話，任你擺佈”（手動狗頭）了，甚至還能憑空出現一個水杯。
還沒看夠？那再來康康Imagic其他功能：改變顏色，或者增加物件，也可以多種功能同時使用。
總的來說，Imagic的厲害之處太多，這裡就不一一詳細展開了，效果可以看下圖。
除了這麼多功能之外，Imagic還有另外一個比較人性化的點，就是當你告訴它要如何“P圖”後，它會隨機生成幾個不同的選項供你選擇。
其實這種在真實影象上編輯的模型Imagic不是第一個，在此之前就已經有很多個類似的模型。
這時就會有網友問了，“Imagic有什麼厲害的點呢？”
話不多說，直接上效果對比。
這裡選取了比較常見的基於真實影象編輯的兩個模型：SDEdit、Text2LIVE與Imagic作對比。
結果很顯然，Imagic完成“P圖指令”的效果很好，在細節上也絲毫不遜色其他模型。
（確實妙啊）
那Imagic是如何“擊敗”SDEdit、Text2LIVE，實現這樣的效果呢？
是怎樣實現的千言萬語匯成四個字：擴散模型，在論文的標題上它都赫然在列。
具體到Imagic中，擴散模型的作用是如何發揮出來的，來看看詳細的“P圖”過程。
整體來說分為三大步。
第一步是最佳化文字嵌入層。
具體來說，先給定輸入的影象和目標文字，然後對目標文字進行編碼，得到初始的嵌入層。
然後不斷調整初始嵌入層，讓其能夠透過預先訓練的擴散模型很好地重建輸入影象。
這樣一來，最終便會得到最佳化後的嵌入層（能夠很好地重建輸入影象）。
第二步是對擴散模型進行微調，這時就要用到上一步已經最佳化之後的嵌入層，讓嵌入層經過模型後重建輸入影象。
在重建的過程，需要不斷更改模型中損失函式的引數，以讓模型適應最佳化後的輸入層，直到能夠很好地重建輸入影象時為止，這樣一來便得到了微調之後的模型。
第三步就要開始正式P圖了。
值得一提的是，這一步除了輸入初始的目標嵌入層（tgt）外，還會插入最佳化好的嵌入層（opt），它們的關係如下圖。
透過變換引數，實際的效果如下圖。
如果你想更加詳細地瞭解Imagic，可以戳文末連結閱讀論文原文。
研究團隊Imagic的六位作者均來自Google Research，論文有兩位第一作者：Bahjat Kawar和Shiran Zada，均來自以色列。
值得一提的是，Bahjat Kawar還是一位以色列理工學院在讀博士，他是在Google Research實習期間完成了這項研究。
而Shiran Zada今年5月剛加入Google Research，目前是計算機視覺研究員。
他曾在微軟擔任軟體工程師以及技術主管的職務，主要負責網路安全相關的專案開發。
參考連結：[1]https://arxiv.org/abs/2210.09276[2]https://twitter.com/Buntworthy/status/1582307817884889088[3]https://github.com/justinpinkney/stable-diffusion/blob/main/notebooks/imagic.ipynb
— 完 —
量子位 QbitAI · 頭條號簽約