Resíduos Personalizados para Geração de Imagens a partir de Texto Orientada por Conceitos

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

May 21, 2024

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

cs.AI

Resumo

Apresentamos resíduos personalizados e amostragem guiada por atenção localizada para geração eficiente orientada por conceitos utilizando modelos de difusão texto-imagem. Nosso método primeiro representa conceitos congelando os pesos de um modelo de difusão pré-treinado condicionado por texto e aprendendo resíduos de baixa classificação para um pequeno subconjunto das camadas do modelo. A abordagem baseada em resíduos então permite diretamente a aplicação de nossa técnica de amostragem proposta, que aplica os resíduos aprendidos apenas em áreas onde o conceito é localizado via atenção cruzada e aplica os pesos originais de difusão em todas as outras regiões. A amostragem localizada, portanto, combina a identidade aprendida do conceito com o prior generativo existente do modelo de difusão subjacente. Demonstramos que os resíduos personalizados capturam efetivamente a identidade de um conceito em ~3 minutos em uma única GPU sem o uso de imagens de regularização e com menos parâmetros do que modelos anteriores, e a amostragem localizada permite utilizar o modelo original como um prior forte para grandes partes da imagem.

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.