港大阿里「视觉AI任意门」,一键向场景中无缝传送物体
光线角度都能适应
克雷西 发自 凹非寺
量子位 | 公众号 QbitAI
点两下鼠标,就能把物体无缝「传送」到照片场景中,光线角度和透视也能自动适应。
阿里和港大的这个AI版「任意门」,实现了零样本的图像嵌入。
有了它,网购衣服也可以直接看上身效果了。
因为功能和任意门十分相似,所以研发团队给它起的名字就叫AnyDoor。
AnyDoor一次能够传送多个物体。
不仅如此,它还能移动图像里的已有物品。
有网友看了之后赞叹到,或许接下来就会进化到(把物体传入到)视频了。
零样本生成逼真效果
相对于已有的类似模型,AnyDoor具有零样本操作能力,无需针对具体物品调整模型。
除了这些需要进行参数调节的模型之外,AnyDoor相对于其他Reference类模型也更为准确。
实际上,其他的Reference类模型只能做到保持语义一致性。
通俗地说,如果要传送的物体是一只猫,其他模型只能保证结果中也有一只猫,但相似度无法保证。
我们不妨把AnyDoor的效果放大看看,是不是看不出什么破绽?
用户评价的结果也证实,AnyDoor在质量和准确度方面表现均优于现有模型(满分4分)。
而对于已有图像中物体的移动、换位,甚至改变姿态,AnyDoor也能出色完成。
那么,AnyDoor是如何实现这些功能的呢?
工作原理
要想实现物体的传送,首先就要对其进行提取。
不过在将包含目标物体的图像送入提取器之前,AnyDoor首先会对其进行背景消除。
然后,AnyDoor会进行自监督式的物体提取并转换成token。
这一步使用的编码器是以目前最好的自监督模型DINO-V2为基础设计的。
为了适应角度和光线的变化,除了提取物品的整体特征,还需要额外提取细节信息。
这一步中,为了避免过度约束,团队设计了一种用高频图表示特征信息的方式。
将目标图像与Sobel算子等高通滤波器进行卷积,可以得到含高频详情的图像。
同时,AnyDoor利用Hadamard对图像中的RGB色彩信息进行提取。
结合这些信息和过滤边缘信息的遮罩,得到了只含高频细节的HF-Map。
最后一步就是将这些信息进行注入。
利用获取到的token,AnyDoor通过文生图模型对图像进行合成。
具体来说,AnyDoor使用的是带有ControlNet的Stable Diffusion。
AnyDoor的工作流程大致就是这样。而在训练方面,也有一些特殊的策略。
尽管AnyDoor针对的是静态图像,但有一部分用于训练的数据是从视频当中提取出来的。
对于同一物体,视频当中可以提取出包含不同背景的图像。
将物体与背景分离后标注配对,就形成了AnyDoor的训练数据。
不过虽然视频数据有利于学习,但还存在质量问题需要解决。
于是团队设计了自适应时间步采样策略,在不同时刻分别采集变化和细节信息。
通过消融实验结果可以看出,随着这些策略的加入,CLIP和DINO评分均逐渐升高。
团队简介
论文的第一作者是香港大学博士生陈汐(Xi Chen),他曾经是阿里巴巴集团算法工程师。
陈汐的导师Hengshuang Zhao是本文的通讯作者,研究领域包括机器视觉、机器学习等。
此外,阿里方面还有来自达摩院、菜鸟集团的研究人员也参与了这一项目。
论文地址:
https://arxiv.org/abs/2307.09481
- OpenAI员工意外泄露下一代ChatGPT!网友:故意的还是不小心的?2024-12-11
- AI营销的风,还是吹到了A股2024-12-05
- 通信巨头入局视频生成,直接霸榜权威评测:人物跨越多场景依然一致2024-12-05
- Scaling Law不是唯一视角!清华刘知远团队提出大模型“密度定律”:模型能力密度100天翻番2024-12-09