Distilação de Pontuação Colaborativa para Síntese 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

Resumo

Os priores generativos de modelos de difusão de texto para imagem em grande escala permitem uma ampla gama de novas aplicações de geração e edição em diversas modalidades visuais. No entanto, ao adaptar esses priores a modalidades visuais complexas, frequentemente representadas como múltiplas imagens (por exemplo, vídeo), alcançar consistência entre um conjunto de imagens é um desafio. Neste artigo, abordamos esse desafio com um método inovador, a Distilação de Pontuação Colaborativa (CSD, na sigla em inglês). O CSD é baseado no Gradiente de Descida Variacional de Stein (SVGD, na sigla em inglês). Especificamente, propomos considerar múltiplas amostras como "partículas" na atualização do SVGD e combinar suas funções de pontuação para destilar priores generativos sobre um conjunto de imagens de forma síncrona. Assim, o CSD facilita a integração perfeita de informações entre imagens 2D, levando a uma síntese visual consistente em múltiplas amostras. Demonstramos a eficácia do CSD em uma variedade de tarefas, abrangendo a edição visual de imagens panorâmicas, vídeos e cenas 3D. Nossos resultados destacam a competência do CSD como um método versátil para aprimorar a consistência entre amostras, ampliando assim a aplicabilidade dos modelos de difusão de texto para imagem.

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.