Distribución Colaborativa de Puntuaciones para Síntesis Visual Consistente

Collaborative Score Distillation for Consistent Visual Synthesis

July 4, 2023

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

cs.AI

Resumen

Los priors generativos de los modelos de difusión de texto a imagen a gran escala permiten una amplia gama de nuevas aplicaciones de generación y edición en diversas modalidades visuales. Sin embargo, al adaptar estos priors a modalidades visuales complejas, a menudo representadas como múltiples imágenes (por ejemplo, video), lograr consistencia entre un conjunto de imágenes es un desafío. En este artículo, abordamos este desafío con un método novedoso, la Destilación Colaborativa de Puntuaciones (CSD, por sus siglas en inglés). CSD se basa en el Descenso de Gradiente Variacional de Stein (SVGD). Específicamente, proponemos considerar múltiples muestras como "partículas" en la actualización de SVGD y combinar sus funciones de puntuación para destilar priors generativos sobre un conjunto de imágenes de manera sincronizada. Así, CSD facilita la integración fluida de información a través de imágenes 2D, lo que lleva a una síntesis visual consistente entre múltiples muestras. Demostramos la efectividad de CSD en una variedad de tareas, que abarcan la edición visual de imágenes panorámicas, videos y escenas 3D. Nuestros resultados subrayan la competencia de CSD como un método versátil para mejorar la consistencia entre muestras, ampliando así la aplicabilidad de los modelos de difusión de texto a imagen.

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.