Jan, 2024

基于小波引导的扩散图像编辑中的文本反转加速

PDF
TL;DR通过使用 WaveOpt-Estimator 和 Negative-Prompt Inversion 等创新方法以及波形变换分析，本研究提出了一种在保持图像结构的同时加速图像编辑过程的方法，相对于传统 Null-text Inversion 方法平均编辑时间减少超过 80%，为基于扩散模型的高效、高质量图像编辑研究提供了有希望的方法。
null-text inversionddim sampling processwaveopt-estimatorfrequency characteristicsnegative-prompt inversion
发现论文，激发创造
  • 通过近端引导改进负倒装

    本文提出了 ProxNPI 方法，通过将 NTI 和 NPI 的概念扩展为一种正则化术语和重建指导来优化 NPI，从而实现对真实图像进行编辑的任务，并在保持训练免费的同时降低了人工伪影。

    Jun, 2023

  • 负样本翻转：基于文本引导扩散模型的快速图像编辑

    本文提出一种负激励反演方法，通过前向传播实现等效重建来加速处理图像编辑中的扩散模型，实验证明与现有方法相比，我们的方法的重建质量是可比的，更快，可用于改善扩散模型的重建质量。

    May, 2023

  • 使用引导扩散模型编辑真实图像的无文本倒置技术

    本文介绍了一种精确的图片逆向生成技术，实现了基于文本的图片编辑，通过引入 Pivotal inversion 和 NULL-text optimization 技术，以条件嵌入为导向，避免了模型权重的繁琐调整，并在真实照片上进行了高保真度编辑。

    Nov, 2022

  • 噪声图引导：基于空间上下文的真实图像编辑反演

    通过噪声地图引导的方式，我们提出了一种适用于真实图像编辑的反演方法，它具备空间上下文且无需优化，保持了良好的编辑质量。

    Feb, 2024

  • 无需训练的非刚性编辑中的时间感知采样的潜在倒置

    通过文本引导的非刚性编辑的培训自由方法，提出了一种利用稳定扩散的非刚性编辑的方法，旨在提高身份保留质量而不损害可编辑性。通过文本优化、潜在反转和时间步感知文本注入采样三个阶段来实现该方法。通过广泛的实验验证了该方法在身份保留、可编辑性和美学质量方面的有效性。

    Feb, 2024

  • 使用扩散模型进行文本驱动图像编辑的 Prompt Tuning Inversion

    本文提出了一种基于 Prompt Tuning Inversion 的精确快速反演技术，用于文本驱动的图像编辑，能够在保留输入图像高准确度的同时进行灵活的编辑，实验证明该方法在 ImageNet 数据集上的表现优于现有技术。

    May, 2023

  • IterInv：逐步反演像素级 T2I 模型

    大规模文本 - 图像扩散模型是生成根据输入文本提示的令人信服的图像的突破性发展。图像编辑研究的目标是通过修改文本提示来使用户对生成的图像具有控制能力。在这种情况下，迭代反转（IterInv）技术结合了流行的图像编辑方法，证明了 IterInv 的应用前景。

    Oct, 2023

  • 可控个性化文本到图像生成的文本反转

    本文提出了一种名为 COTI 的新方法，应用在大规模生成模型中，通过一个综合的、新颖的加权评分机制指导的理论损失目标，实现了具有鲁棒性、数据高效性和易于使用等特点，能够显著提升 FID 得分并增加 R-precision 的生成模型，一定程度上解决了过往生成模型中仍存在的问题。

    Apr, 2023

  • 无需反转的图像编辑与自然语言

    对于扩散模型，尽管反演性编辑取得了一定进展，但基于文本的图像编辑仍面临困难。本研究提出了一种无需显式反演的编辑方法（InfEdit），通过引入特殊方差调度和统一的注意力控制机制，实现了对图像的稳定编辑和真实还原，且在各种编辑任务中表现出强大的性能和快速的实时应用潜力。

    Dec, 2023

  • Eta 反演：为基于扩散的真实图像编辑设计最佳 Eta 函数

    通过对 DDIM 采样方程中的 η 的理论分析，我们引入了一种新颖适应性的扩散反演技术来进行真实图像编辑，实现了对编辑范围的灵活控制。通过与多种最近方法的全面定量和定性评估相比较，我们展示了我们方法的卓越性能，既在该领域设立了新的基准，也大大超越了现有策略。

    Mar, 2024