Kollaborative Score-Distillation für konsistente visuelle Synthese

Collaborative Score Distillation for Consistent Visual Synthesis

July 4, 2023

Autoren: Subin Kim, Kyungmin Lee, June Suk Choi, Jongheon Jeong, Kihyuk Sohn, Jinwoo Shin

cs.AI

Zusammenfassung

Generative Priors von großskaligen Text-zu-Bild-Diffusionsmodellen ermöglichen eine Vielzahl neuer Generierungs- und Bearbeitungsanwendungen für diverse visuelle Modalitäten. Bei der Anpassung dieser Priors an komplexe visuelle Modalitäten, die oft durch mehrere Bilder (z. B. Videos) repräsentiert werden, ist es jedoch schwierig, Konsistenz über eine Reihe von Bildern hinweg zu erreichen. In diesem Artikel gehen wir diese Herausforderung mit einer neuartigen Methode, der Collaborative Score Distillation (CSD), an. CSD basiert auf dem Stein Variational Gradient Descent (SVGD). Konkret schlagen wir vor, mehrere Stichproben als „Partikel“ in der SVGD-Aktualisierung zu betrachten und ihre Score-Funktionen zu kombinieren, um generative Priors über eine Menge von Bildern synchron zu destillieren. Dadurch ermöglicht CSD eine nahtlose Integration von Informationen über 2D-Bilder hinweg, was zu einer konsistenten visuellen Synthese über mehrere Stichproben führt. Wir zeigen die Wirksamkeit von CSD in einer Vielzahl von Aufgaben, darunter die visuelle Bearbeitung von Panoramabildern, Videos und 3D-Szenen. Unsere Ergebnisse unterstreichen die Kompetenz von CSD als vielseitige Methode zur Verbesserung der Inter-Sample-Konsistenz und erweitern damit die Anwendbarkeit von Text-zu-Bild-Diffusionsmodellen.

English

Generative priors of large-scale text-to-image diffusion models enable a wide range of new generation and editing applications on diverse visual modalities. However, when adapting these priors to complex visual modalities, often represented as multiple images (e.g., video), achieving consistency across a set of images is challenging. In this paper, we address this challenge with a novel method, Collaborative Score Distillation (CSD). CSD is based on the Stein Variational Gradient Descent (SVGD). Specifically, we propose to consider multiple samples as "particles" in the SVGD update and combine their score functions to distill generative priors over a set of images synchronously. Thus, CSD facilitates seamless integration of information across 2D images, leading to a consistent visual synthesis across multiple samples. We show the effectiveness of CSD in a variety of tasks, encompassing the visual editing of panorama images, videos, and 3D scenes. Our results underline the competency of CSD as a versatile method for enhancing inter-sample consistency, thereby broadening the applicability of text-to-image diffusion models.