Улучшение сохранения деталей для персонализированной генерации изображений из текста: подход без регуляризации

Enhancing Detail Preservation for Customized Text-to-Image Generation: A Regularization-Free Approach

May 23, 2023

Авторы: Yufan Zhou, Ruiyi Zhang, Tong Sun, Jinhui Xu

cs.AI

Аннотация

Современные модели генерации изображений по текстовому описанию продемонстрировали впечатляющую способность создавать изображения, соответствующие тексту, с высокой точностью. Однако генерация изображений новых концепций, предоставленных пользователем в виде входного изображения, остается сложной задачей. Для решения этой проблемы исследователи изучают различные методы адаптации предварительно обученных моделей генерации изображений по тексту. В настоящее время большинство существующих методов адаптации таких моделей предполагают использование техник регуляризации для предотвращения переобучения. Хотя регуляризация облегчает задачу адаптации и способствует успешному созданию контента в соответствии с текстовым описанием, она может ограничивать возможности модели, приводя к потере детальной информации и ухудшению производительности. В данной работе мы предлагаем новый фреймворк для персонализированной генерации изображений по тексту без использования регуляризации. В частности, наш фреймворк включает в себя сеть-кодировщик и новый метод сэмплирования, который позволяет решить проблему переобучения без применения регуляризации. С помощью предложенного фреймворка мы можем адаптировать крупномасштабную модель генерации изображений по тексту менее чем за полминуты на одном графическом процессоре, используя только одно изображение, предоставленное пользователем. Эксперименты показывают, что наш фреймворк превосходит существующие методы и сохраняет более детализированные элементы.

English

Recent text-to-image generation models have demonstrated impressive capability of generating text-aligned images with high fidelity. However, generating images of novel concept provided by the user input image is still a challenging task. To address this problem, researchers have been exploring various methods for customizing pre-trained text-to-image generation models. Currently, most existing methods for customizing pre-trained text-to-image generation models involve the use of regularization techniques to prevent over-fitting. While regularization will ease the challenge of customization and leads to successful content creation with respect to text guidance, it may restrict the model capability, resulting in the loss of detailed information and inferior performance. In this work, we propose a novel framework for customized text-to-image generation without the use of regularization. Specifically, our proposed framework consists of an encoder network and a novel sampling method which can tackle the over-fitting problem without the use of regularization. With the proposed framework, we are able to customize a large-scale text-to-image generation model within half a minute on single GPU, with only one image provided by the user. We demonstrate in experiments that our proposed framework outperforms existing methods, and preserves more fine-grained details.