Совместная дистилляция оценок для согласованного визуального синтеза

Collaborative Score Distillation for Consistent Visual Synthesis

July 4, 2023

Авторы: Subin Kim, Kyungmin Lee, June Suk Choi, Jongheon Jeong, Kihyuk Sohn, Jinwoo Shin

cs.AI

Аннотация

Генеративные априорные знания крупномасштабных моделей диффузии "текст-изображение" открывают широкий спектр новых возможностей для генерации и редактирования в различных визуальных модальностях. Однако при адаптации этих априорных знаний к сложным визуальным модальностям, часто представленным в виде нескольких изображений (например, видео), достижение согласованности между ними становится сложной задачей. В данной работе мы решаем эту проблему с помощью нового метода — Совместной Дистилляции Оценок (Collaborative Score Distillation, CSD). CSD основан на методе Стейновского Вариационного Градиентного Спуска (Stein Variational Gradient Descent, SVGD). В частности, мы предлагаем рассматривать несколько образцов как "частицы" в обновлении SVGD и объединять их функции оценки для синхронной дистилляции генеративных априорных знаний над набором изображений. Таким образом, CSD обеспечивает плавную интеграцию информации между 2D-изображениями, что приводит к согласованной визуальной синтезации между несколькими образцами. Мы демонстрируем эффективность CSD в различных задачах, включая визуальное редактирование панорамных изображений, видео и 3D-сцен. Наши результаты подчеркивают компетентность CSD как универсального метода для повышения согласованности между образцами, тем самым расширяя применимость моделей диффузии "текст-изображение".

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.