Residui Personalizzati per la Generazione di Immagini da Testo Guidata da Concetti

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

May 21, 2024

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

cs.AI

Abstract

Presentiamo residui personalizzati e campionamento guidato da attenzione localizzata per una generazione efficiente guidata da concetti utilizzando modelli di diffusione testo-immagine. Il nostro metodo rappresenta inizialmente i concetti congelando i pesi di un modello di diffusione pre-addestrato condizionato al testo e apprendendo residui a basso rango per un piccolo sottoinsieme degli strati del modello. L'approccio basato sui residui consente quindi l'applicazione diretta della nostra tecnica di campionamento proposta, che applica i residui appresi solo nelle aree in cui il concetto è localizzato tramite cross-attenzione e utilizza i pesi originali del modello di diffusione in tutte le altre regioni. Il campionamento localizzato combina quindi l'identità appresa del concetto con il precedente generativo esistente del modello di diffusione sottostante. Dimostriamo che i residui personalizzati catturano efficacemente l'identità di un concetto in circa 3 minuti su una singola GPU senza l'uso di immagini di regolarizzazione e con meno parametri rispetto ai modelli precedenti, e il campionamento localizzato consente di utilizzare il modello originale come forte precedente per gran parte dell'immagine.

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.