CustomNet：文本到图像扩散模型中的可变视角对象定制

🤗

CustomNet的官方实现：文本到图像扩散模型中的可变视角对象定制（ACM MM 2024）

介绍

将定制对象融入图像生成是文本到图像（T2I）生成中一个极具吸引力的特性。一些方法在测试时对每个对象单独微调T2I模型，这往往会导致过拟合和耗时。其他方法训练额外的编码器以高效提取对象视觉信息进行定制，但难以保持对象的身份特征。为解决这些局限性，我们提出了CustomNet，一个统一的基于编码器的对象定制框架，显式地将3D新视角合成能力整合到定制过程中。这种整合促进了空间位置和视角的调整，产生多样化的输出，同时有效保持对象的身份特征。为有效训练我们的模型，我们提出了一个数据集构建流程，以更好地处理真实世界的对象和复杂背景。此外，我们引入了精巧的设计，通过文本描述或用户定义的背景实现位置控制和灵活的背景控制。我们的方法无需测试时优化即可实现对象定制，同时提供对视角、位置和文本的控制。实验结果表明，我们的方法在身份保持、多样性和和谐性方面优于其他定制方法。

⚙️ 环境

conda create -n customnet python=3.10 -y
conda activate customnet
pip install -r requirements.txt

💫 推理

运行本地Gradio演示

下载CustomNet权重customnet_v1.pth并将其放入./pretrain。
运行脚本：
```
  sh scripts/run_app.sh
```

🔥训练

准备数据集

我们在examples/data中提供了仅包含图像的示例数据。

在extralibs中克隆额外的仓库，并准备环境。

  cd extralibs
  git clone https://github.com/CASIA-IVA-Lab/FastSAM.git
  git clone https://github.com/salesforce/LAVIS.git
  git clone https://github.com/cvlab-columbia/zero123.git

使用脚本创建数据集：
```
  sh scripts/process_data.sh
```

训练

查看配置文件，并更新相关路径。
使用脚本进行训练：
```
  sh scripts/process_data.sh
```

BibTeX

@misc{yuan2023customnet,
    title={CustomNet: Zero-shot Object Customization with Variable-Viewpoints in Text-to-Image Diffusion Models}, 
    author={Ziyang Yuan and Mingdeng Cao and Xintao Wang and Zhongang Qi and Chun Yuan and Ying Shan},
    year={2023},
    eprint={2310.19784},
    archivePrefix={arXiv},
    primaryClass={cs.CV}
}