Personalisierte Reste für konzeptgesteuerte Text-zu-Bild-Generierung

Personalized Residuals for Concept-Driven Text-to-Image Generation

May 21, 2024

papers.authors: Cusuh Ham, Matthew Fisher, James Hays, Nicholas Kolkin, Yuchen Liu, Richard Zhang, Tobias Hinz

cs.AI

papers.abstract

Wir präsentieren personalisierte Residuen und lokalisierte, auf Aufmerksamkeit basierende Stichproben für eine effiziente, konzeptgesteuerte Generierung unter Verwendung von Text-zu-Bild-Diffusionsmodellen. Unsere Methode stellt zunächst Konzepte dar, indem sie die Gewichte eines vorab trainierten, textkonditionierten Diffusionsmodells einfriert und niedrigrangige Residuen für eine kleine Untergruppe der Schichten des Modells lernt. Der auf Residuen basierende Ansatz ermöglicht dann direkt die Anwendung unserer vorgeschlagenen Stichprobentechnik, die die gelernten Residuen nur in Bereichen anwendet, in denen das Konzept über eine Kreuz-Aufmerksamkeit lokalisiert ist, und die ursprünglichen Diffusionsgewichte in allen anderen Regionen anwendet. Die lokalisierte Stichprobe kombiniert daher die gelernte Identität des Konzepts mit dem bestehenden generativen Prior des zugrunde liegenden Diffusionsmodells. Wir zeigen, dass personalisierte Residuen die Identität eines Konzepts effektiv in ~3 Minuten auf einer einzelnen GPU ohne die Verwendung von Regularisierungsbildern und mit weniger Parametern als frühere Modelle erfassen, und lokalisierte Stichproben ermöglichen die Verwendung des ursprünglichen Modells als starken Prior für große Teile des Bildes.

English

We present personalized residuals and localized attention-guided sampling for efficient concept-driven generation using text-to-image diffusion models. Our method first represents concepts by freezing the weights of a pretrained text-conditioned diffusion model and learning low-rank residuals for a small subset of the model's layers. The residual-based approach then directly enables application of our proposed sampling technique, which applies the learned residuals only in areas where the concept is localized via cross-attention and applies the original diffusion weights in all other regions. Localized sampling therefore combines the learned identity of the concept with the existing generative prior of the underlying diffusion model. We show that personalized residuals effectively capture the identity of a concept in ~3 minutes on a single GPU without the use of regularization images and with fewer parameters than previous models, and localized sampling allows using the original model as strong prior for large parts of the image.