TF-ICON 是一种全新的无训练跨域图像合成框架,利用文本驱动的扩散模型实现图像编辑任务的突破性进展。这个项目的目标是将用户提供的对象无缝地整合到特定的视觉背景中。与许多现有方法不同的是,TF-ICON 不需要昂贵的实例优化或对预训练模型的微调,从而保持模型的原有推理能力。
无训练需求:TF-ICON 能够在不需要额外训练、微调或优化的情况下直接使用现成的扩散模型进行图像合成。
特殊提示(Exceptional Prompt):为了促进文本驱动的扩散模型准确地将真实图像转化为潜在表示,该框架引入了一种不包含信息的“特殊提示”。这为后续的图像合成奠定了基础。
适应多种数据集:实验结果表明,通过特殊提示装备的稳定扩散模型在 CelebA-HQ、COCO 和 ImageNet 等多个数据集上的表现超越了现有的多种反演方法。而且 TF-ICON 在多种视觉领域中都表现优于先前的基线方法。
TF-ICON 的代码基础构架于稳定扩散模型,建议使用至少 23 GB 的显存来运行,具体需求视输入样例而定。
创建 Conda 环境:
git clone https://github.com/Shilin-LU/TF-ICON.git cd TF-ICON conda env create -f tf_icon_env.yaml conda activate tf-icon
下载稳定扩散权重:
从 Hugging Face 平台获取并下载稳定扩散模型的权重文件 sd-v2-1_512-ema-pruned.ckpt
,然后将其放置在 ./ckpt
目录下。
在 ./inputs
目录下准备输入样例,每个样例由一个背景图(bg)、一个前景图(fg)、前景图分割掩码(fg_mask)以及指定合成位置的用户掩码(mask_bg_fg)组成。
根据领域差异选择运行模式:
跨域模式(cross_domain):
python scripts/main_tf_icon.py --ckpt <path/to/model.ckpt/> \ --root ./inputs/cross_domain \ --domain 'cross' \ --dpm_steps 20 \ --dpm_order 2 \ --scale 5 \ --tau_a 0.4 \ --tau_b 0.8 \ --outdir ./outputs \ --gpu cuda:0 \ --seed 3407
同域模式(same_domain):
python scripts/main_tf_icon.py --ckpt <path/to/model.ckpt/> \ --root ./inputs/same_domain \ --domain 'same' \ --dpm_steps 20 \ --dpm_order 2 \ --scale 2.5 \ --tau_a 0.4 \ --tau_b 0.8 \ --outdir ./outputs \ --gpu cuda:0 \ --seed 3407
各参数介绍:
ckpt
: 稳定扩散模型的权重路径。root
: 输入数据的路径。domain
: 设置为 'cross' 表示前后景来自不同视觉领域,'same' 表示来自同 一领域。dpm_steps
: 扩散采样步数。dpm_solver
: 概率流ODE求解器的阶数。scale
: 无分类器引导尺度(CFG scale)。tau_a
和 tau_b
: 用于决定混合自注意力图和保留背景的阈值。TF-ICON 所提供的测试基准可用于验证此框架在不同领域的有效性。
TF-ICON 被应用到多种艺术风格中,包括草图绘画、油画以及卡通等,在不同风格间也展示出良好的适应性和表现。
TF-ICON 的开发得益于很多前人的贡献,特别是 Stable-Diffusion 和 Prompt-to-Prompt 项目的支持。
如果您在研究中使用了 TF-ICON,请考虑以如下方式引用:
@inproceedings{lu2023tf, title={TF-ICON: Diffusion-Based Training-Free Cross-Domain Image Composition}, author={Lu, Shilin and Liu, Yanzhu and Kong, Adams Wai-Kin}, booktitle={Proceedings of the IEEE/CVF International Conference on Computer Vision}, pages={2294--2305}, year={2023} }
TF-ICON 项目旨在通过无训练的框架为图像合成领域提供高效解决方案,使用户无需复杂的技术操作即可实现高质量图像编辑。
AI小说写作助手,一站式润色、改写、扩写
蛙蛙写作—国内先进的AI写作平台,涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能,助力创作者高效优化写作流程。界 面简洁,功能全面,适合各类写作者提升内容品质和工作效率。
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。
全能AI智能助手,随时解答生活与工作的多样问题
问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。
实时语音翻译/同声传译工具
Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。
一键生成PPT和Word,让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供 支持,帮助用户精准表达,轻松呈现各种信息。
深度 推理能力全新升级,全面对标OpenAI o1
科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。
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。
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。
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。
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。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号