概念駆動型テキストから画像生成のためのパーソナライズド残差

要旨

テキストから画像への拡散モデルを用いた効率的な概念駆動生成のため、パーソナライズド残差と局所化されたアテンション誘導サンプリングを提案します。本手法ではまず、事前学習済みのテキスト条件付き拡散モデルの重みを凍結し、モデルの層の一部に対して低ランクの残差を学習することで概念を表現します。この残差ベースのアプローチにより、提案するサンプリング手法を直接適用可能となります。このサンプリング手法では、クロスアテンションを通じて概念が局在する領域にのみ学習済み残差を適用し、それ以外の領域では元の拡散モデルの重みを使用します。これにより、局所化サンプリングは学習された概念の同一性と、基盤となる拡散モデルの既存の生成事前分布を組み合わせることができます。パーソナライズド残差は、正則化画像を使用せず、従来のモデルよりも少ないパラメータで、単一GPU上で約3分間で概念の同一性を効果的に捉えることを示します。また、局所化サンプリングにより、画像の大部分に対して元のモデルを強力な事前分布として使用することが可能となります。

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.

概念駆動型テキストから画像生成のためのパーソナライズド残差

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

要旨

Support