Персонализированные остатки для генерации изображений по тексту на основе концепций.

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

May 21, 2024

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

cs.AI

Аннотация

Мы представляем персонализированные остатки и локализованное внимание-управляемое сэмплирование для эффективной генерации, основанной на концепциях, с использованием моделей диффузии текста в изображение. Наш метод сначала представляет концепции путем замораживания весов предварительно обученной модели диффузии, зависящей от текста, и обучения остатков низкого ранга для небольшого подмножества слоев модели. Подход на основе остатков затем непосредственно позволяет применять нашу предложенную технику сэмплирования, которая применяет изученные остатки только в областях, где концепция локализована с помощью кросс-внимания, и применяет исходные веса диффузии во всех остальных областях. Таким образом, локализованное сэмплирование объединяет изученную идентичность концепции с существующим генеративным априори базовой модели диффузии. Мы показываем, что персонализированные остатки эффективно захватывают идентичность концепции примерно за ~3 минуты на одном GPU без использования регуляризационных изображений и с меньшим количеством параметров, чем у предыдущих моделей, а локализованное сэмплирование позволяет использовать исходную модель в качестве сильного априори для большей части изображения.

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.