2. 引言

最近通過文本生成圖像的深度學(xué)習(xí)相關(guān)技術(shù)取得了非常大的進(jìn)展，2021已經(jīng)成為了圖像生成的一個(gè)新的milestone，諸如DALL-E和Stable diffusion這種模型都取得了長(zhǎng)足的進(jìn)步，甚至達(dá)到了“出圈”的效果。通過簡(jiǎn)單文本prompts，用戶能夠生成前所未有的質(zhì)量的圖像。這樣的模型可以生成各種各樣的對(duì)象、風(fēng)格和場(chǎng)景，并把它們進(jìn)行組合排序，這讓現(xiàn)有的圖像生成模型看上去是無所不能的。

但是，盡管這些模型具有多樣性和一些泛化能力，用戶經(jīng)常希望從他們自己的生活中合成特定的概念。例如，親人、朋友、寵物或個(gè)人物品和地點(diǎn)，這些都是非常有意義的concept，也和個(gè)人對(duì)于生成圖像的信息有對(duì)齊。由于這些概念天生就是個(gè)人的，因此在大規(guī)模的模型訓(xùn)練過程中很難出現(xiàn)。

事后通過詳細(xì)的文字，來描述這種概念是非常不方便的，也無法保留足夠多的視覺細(xì)節(jié)來生成新的personal的concepts。這就需要模型具有一定的“定制”能力。也就是說如果給定少量用戶提供的圖像，我們能否用新概念（例如寵物狗或者“月亮門”，如圖所示）增強(qiáng)現(xiàn)有的文本到圖像擴(kuò)散模型？經(jīng)過微調(diào)的模型應(yīng)該能夠?qū)⑺鼈兣c現(xiàn)有概念進(jìn)行概括并生成新的變化。這帶來了幾個(gè)比較嚴(yán)峻的挑戰(zhàn)：

首先，模型傾向于遺忘現(xiàn)有概念的含義：例如，在添加“moon gate”這一concept的時(shí)候，“moon”的含義就會(huì)丟失。

其次，由于stable diffusion這樣的網(wǎng)絡(luò)往往參數(shù)會(huì)超級(jí)多，所以在小數(shù)據(jù)上訓(xùn)練模型，容易造成對(duì)訓(xùn)練樣本進(jìn)行過擬合，而且采樣中變化也有限。

此外，論文還關(guān)注了一個(gè)更具挑戰(zhàn)性的問題，即組group fine-tuning，即能夠超越單個(gè)個(gè)體concept的微調(diào)，并將多個(gè)概念組合在一起。學(xué)習(xí)多個(gè)新的concepts同時(shí)也是存在一定的挑戰(zhàn)的，比如 concept mixing以及concept omission。

在這項(xiàng)工作中，論文提出了一種fine-tuning技術(shù)，即文本到圖像擴(kuò)散模型的“定制擴(kuò)散”。我們的方法在計(jì)算和內(nèi)存方面都很有效。為了克服上述挑戰(zhàn)，新方法固定一小部分模型權(quán)重，即文本到潛在特征的key值映射在cross-attention layer中。fine-tuning這些足以更新模型的新concepts。

為了防止模型喪失原來強(qiáng)大的表征能力，新方法僅僅使用一小組的圖像與目標(biāo)圖像類似的真實(shí)圖像進(jìn)行訓(xùn)練。我們還在微調(diào)期間引入data的augamation，這可以讓模型更快的收斂，并獲得更好的結(jié)果。論文提出的方法實(shí)驗(yàn)是構(gòu)建在Stable Diffusion之上，并對(duì)各種數(shù)據(jù)集進(jìn)行了實(shí)驗(yàn)，其中最少有四幅訓(xùn)練圖像。

對(duì)于添加單個(gè)concept，新提出的方法顯示出比相似任務(wù)的作品和基線更好的文本對(duì)齊和視覺相似性。更重要的是，我們的方法可以有效地組成多個(gè)新concepts，而直接對(duì)不同的concepts進(jìn)行組合的方法則遇到困難，經(jīng)常會(huì)省略一個(gè)。最后，我們的方法只需要存儲(chǔ)一小部分參數(shù)（模型權(quán)重的3％），消耗的GPU memory非常有限，同時(shí)也減少了fine-tuning的時(shí)間。

3. 方法

總結(jié)來講，論文提出的方法，就是僅更新權(quán)重的一小部分，即模型的交叉注意力層。此外，由于目標(biāo)概念的訓(xùn)練樣本很少，所以使用一個(gè)真實(shí)圖像的正則化集，以防止過擬合。

對(duì)于Single-Concept Fine-tuning，給定一個(gè)預(yù)訓(xùn)練的text-to-image diffusion model，我們的目標(biāo)是在模型中加入一個(gè)新的concept，只要給定四張圖像和相應(yīng)的文本描述進(jìn)行訓(xùn)練。fine-tuning后的模型應(yīng)保留其先驗(yàn)知識(shí)，允許根據(jù)文本提示使用新概念生成新的圖像類型。

這可能具有挑戰(zhàn)性，因?yàn)楦碌奈谋镜綀D像的映射可能很容易過擬合少數(shù)可用圖像。所以保證泛化性就非常有必要，也比較有挑戰(zhàn)。所以就僅僅fine-tuning新的K和V，而對(duì)于query，則保持不變，這樣就可以增加新概念的同時(shí)，保證模型的表征能力不受到太多的影響。優(yōu)化目標(biāo)還是diffusion的形式：

概括起來實(shí)際上非常簡(jiǎn)單，就是訓(xùn)練一個(gè)k和v的矩陣，來擴(kuò)充維度，增加模型的表征能力，使其能生成更為豐富的圖像內(nèi)容。

而對(duì)于Multiple-Concept Compositional Fine-tuning，為了對(duì)多個(gè)概念進(jìn)行微調(diào)，我們將每個(gè)概念的訓(xùn)練數(shù)據(jù)集合并，并使用我們的方法將它們聯(lián)合訓(xùn)練。為了表示目標(biāo)概念，我們使用不同的修飾符的，并將它們與每個(gè)層的交叉注意關(guān)鍵和值矩陣一起初始化，并優(yōu)化它們。通過將權(quán)重更新限制為交叉注意key和value參數(shù)，與DreamBooth等方法相比，可以顯著更好地將兩個(gè)概念合并在一起。

可以發(fā)現(xiàn)，增加約束還是讓模型具有更強(qiáng)的表征能力的。最下面一行才和真正的門比較相似，同時(shí)生成的月亮也非常合理。

4. 實(shí)驗(yàn)

給定一個(gè)新concepts的圖像如左側(cè)顯示的目標(biāo)圖像，提出的方法可以在看不見的上下文和藝術(shù)風(fēng)格中生成帶有該概念的圖像。

第一行：代表水彩畫藝術(shù)風(fēng)格中的概念。方法還可以在背景中生成山脈，而 DreamBooth 和 Textual Inversion 忽略了這一點(diǎn)。

第二行：改變背景場(chǎng)景。我們的方法和 DreamBooth 的表現(xiàn)與 Textual Inversion 相似且更好。

第三行：添加另一個(gè)對(duì)象，例如帶有目標(biāo)桌子的橙色沙發(fā)。新的方法成功地添加了另一個(gè)對(duì)象。第四行：改變對(duì)象屬性，如花瓣的顏色。第五行：用太陽鏡裝飾私人寵物貓。我們的方法比基線更好地保留了視覺相似性，同時(shí)僅更改花瓣顏色或?yàn)樨執(zhí)砑犹栫R。

可以發(fā)現(xiàn)Multiple-Concept Compositional Fine-tuning的效果也非常驚艷。

風(fēng)格遷移的效果也不錯(cuò)。

定量指標(biāo)也有比較有競(jìng)爭(zhēng)力的表現(xiàn)：

5. 結(jié)論

論文提出了一種基于new concepts的text-to-image生成模型的fine-tuning方法。只需使用一些有限的圖像示例， 新方法就能一高效的方法生成微調(diào)概念的新樣本同時(shí)保留原有的生成能力。而且，我們只需要保存一小部分模型權(quán)重。此外，方法可以連貫地在同一場(chǎng)景中組合多個(gè)新概念，這是之前的方法所缺少的能力。

審核編輯：劉清