Diffree

Diffree

文本引导的无形状约束对象添加技术

Diffree是一个基于扩散模型的文本引导对象添加系统。该项目通过OABench数据集训练,能够仅依靠文本指令准确预测新对象位置并添加到图像中,同时保持背景一致性。Diffree在对象添加成功率、背景协调性和空间布局方面表现优异,为图像编辑和内容创作提供了新的可能。

DiffreeAI绘图图像修复文本引导对象添加Github开源项目

Diffree

论文"Diffree: 基于扩散模型的文本引导无形状约束物体修复"的官方PyTorch实现

<p align="center"> <a href="https://opengvlab.github.io/Diffree/"><u>[🌐 项目主页]</u></a> &nbsp;&nbsp; <a href="https://huggingface.co/datasets/LiruiZhao/OABench"><u>[🗞️ 数据集]</u></a> &nbsp;&nbsp; <a href="https://drive.google.com/file/d/1AdIPA5TK5LB1tnqqZuZ9GsJ6Zzqo2ua6/view"><u>[🎥 视频]</u></a> &nbsp;&nbsp; <a href="https://arxiv.org/pdf/2407.16982"><u>[📜 论文]</u></a> &nbsp;&nbsp; <a href="https://huggingface.co/spaces/LiruiZhao/Diffree"><u>[🤗 Hugging Face 演示]</u></a> </p>

摘要

<details><summary>点击查看完整摘要</summary>

本文解决了仅通过文本指导在图像中添加物体这一重要问题。这一任务具有挑战性,因为新添加的物体必须与图像的视觉上下文(如光照、纹理和空间位置)无缝集成。虽然现有的文本引导图像修复方法可以添加物体,但它们要么无法保持背景一致性,要么需要繁琐的人工干预来指定边界框或用户涂鸦的掩码。为了解决这一挑战,我们提出了Diffree,一个仅需文本控制就能实现文本引导物体添加的文本到图像(T2I)模型。为此,我们通过先进的图像修复技术移除物体,精心制作了OABench合成数据集。OABench包含74K个真实世界的元组,每个元组包含原始图像、移除物体后的修复图像、物体掩码和物体描述。Diffree在OABench上使用Stable Diffusion模型进行训练,并添加了一个额外的掩码预测模块,独特地预测新物体的位置,仅通过文本指导实现物体添加。大量实验表明,Diffree在添加新物体方面表现出色,具有高成功率,同时保持背景一致性、空间适当性以及物体相关性和质量。

</details>

我们欢迎任何建议和讨论,请随时通过liruizhao@stu.xmu.edu.cn与我们联系。

新闻

  • [2024/07] 发布推理代码和<a href="https://huggingface.co/LiruiZhao/Diffree">检查点</a>
  • [2024/07] 发布<a href="https://huggingface.co/spaces/LiruiZhao/Diffree">🤗 Hugging Face 演示</a>
  • [2024/08] 发布ConfyUI演示。感谢smthemexComfyUI_Diffree)的帮助!
  • [2024/08] 在Hugging Face上发布训练数据集OABench
  • [2024/08] 发布训练代码
  • [2024/08] 更新<a href="https://huggingface.co/spaces/LiruiZhao/Diffree">🤗 演示</a>,现在支持通过文本列表进行迭代生成

目录

安装

  1. 克隆此仓库并进入Diffree文件夹
git clone https://github.com/OpenGVLab/Diffree.git

cd Diffree
  1. 安装包
conda create -n diffree python=3.8.5

conda activate diffree

pip install -r requirements.txt

推理

  1. 从Huggingface下载Diffree模型。
pip install huggingface_hub

huggingface-cli download LiruiZhao/Diffree --local-dir ./checkpoints
  1. 你可以使用以下脚本进行推理:
python app.py

具体来说,--resolution定义了调整大小后的输入图像和输出图像的最大尺寸。对于我们的<a href="https://huggingface.co/spaces/LiruiZhao/Diffree">Hugging Face演示</a>,我们将--resolution设置为512,以提高用户体验和生成更高分辨率的结果。而在Diffree的训练过程中,--resolution设置为256。因此,降低--resolution可能会改善结果(例如,可以尝试将320作为一个潜在值)。

数据下载

你可以在这里下载OABench,用于训练Diffree。

  1. 从Huggingface下载OABench数据集。
huggingface-cli download --repo-type dataset LiruiZhao/OABench --local-dir ./dataset --local-dir-use-symlinks False
  1. 在数据集目录中查找并解压所有压缩文件
cd dataset

ls *.tar.gz | xargs -n1 tar xvf

数据结构应该如下所示:

|-- dataset
    |-- original_images
        |-- 58134.jpg
        |-- 235791.jpg
        |-- ...
    |-- inpainted_images
        |-- 58134
          |-- 634757.jpg
          |-- 634761.jpg
          |-- ...
        |-- 235791
        |-- ...
    |-- mask_images
        |-- 58134
          |-- 634757.png
          |-- 634761.png
          |-- ...
        |-- 235791
        |-- ...
    |-- annotations.json

inpainted_imagesmask_images目录中,顶层文件夹对应原始图像,每个文件夹的内容是这些图像的修复图像和掩码。

训练

Diffree通过从初始StableDiffusion检查点微调来训练。

  1. 下载Stable Diffusion检查点并将其移动到checkpoints目录。对于我们的训练模型,我们使用v1.5检查点作为起点。你也可以使用以下命令:
curl -L https://huggingface.co/runwayml/stable-diffusion-v1-5/resolve/main/v1-5-pruned-emaonly.ckpt -o checkpoints/v1-5-pruned-emaonly.ckpt
  1. 接下来,你可以开始训练。
python main.py --name diffree --base config/train.yaml --train --gpus 0,1,2,3

所有配置都存储在YAML文件中。如果你需要使用自定义配置设置,可以修改--base以指向你的自定义配置文件。

引用

如果你觉得这项工作有用,请考虑引用:

@article{zhao2024diffree,
  title={Diffree: Text-Guided Shape Free Object Inpainting with Diffusion Model},
  author={Zhao, Lirui and Yang, Tianshuo and Shao, Wenqi and Zhang, Yuxin and Qiao, Yu and Luo, Ping and Zhang, Kaipeng and Ji, Rongrong},
  journal={arXiv preprint arXiv:2407.16982},
  year={2024}
}

编辑推荐精选

Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

下拉加载更多