Résidus personnalisés pour la génération d'images à partir de texte guidée par des concepts

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

Nous présentons des résidus personnalisés et un échantillonnage guidé par attention localisée pour une génération efficace pilotée par des concepts utilisant des modèles de diffusion texte-image. Notre méthode représente d'abord les concepts en gelant les poids d'un modèle de diffusion pré-entraîné conditionné par le texte et en apprenant des résidus de faible rang pour un petit sous-ensemble des couches du modèle. L'approche basée sur les résidus permet ensuite l'application directe de notre technique d'échantillonnage proposée, qui applique les résidus appris uniquement dans les zones où le concept est localisé via l'attention croisée et applique les poids de diffusion originaux dans toutes les autres régions. L'échantillonnage localisé combine ainsi l'identité apprise du concept avec le prior génératif existant du modèle de diffusion sous-jacent. Nous montrons que les résidus personnalisés capturent efficacement l'identité d'un concept en ~3 minutes sur un seul GPU sans utiliser d'images de régularisation et avec moins de paramètres que les modèles précédents, et que l'échantillonnage localisé permet d'utiliser le modèle original comme prior fort pour une grande partie de l'image.

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.