MasaCtrl

MasaCtrl

实现一致性图像合成与编辑

MasaCtrl是一种基于互自注意力控制的图像处理技术,实现了一致性图像合成和编辑。该方法结合源图像内容和文本提示生成的布局,无需额外微调即可进行非刚性图像修改。MasaCtrl支持多种应用场景,包括基于提示的合成、真实图像编辑、与可控扩散模型集成等,并可扩展到视频合成。这一技术兼容Stable Diffusion等多种模型,为图像创作提供了新的可能性。

MasaCtrl一致性图像合成图像编辑扩散模型无需微调Github开源项目

MasaCtrl: 无需微调的相互自注意力控制,用于一致性图像合成和编辑

Pytorch实现 MasaCtrl: 无需微调的相互自注意力控制,用于一致性图像合成和编辑

Mingdeng Cao, Xintao Wang, Zhongang Qi, Ying Shan, Xiaohu Qie, Yinqiang Zheng

arXiv 项目主页 演示 演示 在OpenXLab中打开


<div align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/da2c5bd8-518a-41aa-aa79-e4dddd286f45.gif"> <i> MasaCtrl 能够在不进行微调和优化的情况下,实现各种一致性的非刚性图像合成和编辑。</i> </div>

更新

  • [2023/8/20] MasaCtrl 现在支持 SDXL(及其他变体)。sdxl_示例
  • [2023/5/13] MasaCtrl 与 T2I-Adapter 结合的推理代码已可用。
  • [2023/4/28] Hugging Face 演示已发布。
  • [2023/4/25] 代码已发布。
  • [2023/4/17] 论文可在此处获取。

简介

我们提出了 MasaCtrl,这是一种无需微调的方法,用于非刚性一致性图像合成和编辑。其核心思想是通过相互自注意力控制查询语义相关特征,将源图像的"内容"与从文本提示和额外控制合成的"布局"结合起来,生成所需的合成或编辑图像。

主要特点

1 一致性图像合成和编辑

MasaCtrl 可以执行基于提示的图像合成和编辑,改变布局的同时保持源图像的内容。

目标布局直接从目标提示合成。

<details><summary>查看视觉结果</summary> <div align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/8eaeb07d-a684-4cd4-856a-f78e82397583.png"> <i>一致性合成结果</i> <img src="https://yellow-cdn.veclightyear.com/835a84d5/59412c0e-6daa-4694-b195-33cc82afd167.png"> <i>真实图像编辑结果</i> </div> </details>

2 与可控扩散模型的集成

直接修改文本提示通常无法生成所需图像的目标布局,因此我们进一步将我们的方法集成到现有的可控扩散流程中(如 T2I-Adapter 和 ControlNet),以获得稳定的合成和编辑结果。

目标布局由额外指导控制。

<details><summary>查看视觉结果</summary> <div align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/71da8fae-c098-4db9-a755-261292559d4b.png"> <i>使用 T2I-Adapter 的合成(左侧)和编辑(右侧)结果</i> </div> </details>

3 推广到其他模型:Anything-V4

我们的方法也能很好地推广到其他基于 Stable Diffusion 的模型。

<details><summary>查看视觉结果</summary> <div align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/5be7c410-2c1e-4a23-b283-e485fc6ba3ab.png"> <i>Anything-V4 的结果</i> </div> </details>

4 扩展到视频合成

通过密集一致性指导,MasaCtrl 实现了视频合成

<details><summary>查看视觉结果</summary> <div align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/5bb19932-ade4-498f-a71d-e1ec66e6f6f2.png"> <i>视频合成结果(使用关键姿势和 Canny 边缘指导)</i> </div> </details>

使用方法

环境要求

我们使用 diffusers 代码库实现我们的方法,代码结构类似于 Prompt-to-Prompt。代码在 Python 3.8.5 和 Pytorch 1.11 环境下运行。强烈建议使用 Conda 环境。

pip install -r requirements.txt

检查点

稳定扩散: 我们主要在稳定扩散v1-4版本上进行实验,但我们的方法可以推广到其他版本(如v1-5)。你可以在官方仓库和Hugging Face上下载这些检查点。

个性化模型: 你可以从CIVITAI下载个性化模型或训练自己的定制模型。

演示

笔记本演示

要使用MasaCtrl进行合成,需要至少16 GB显存的单个GPU。

playground.ipynbplayground_real.ipynb笔记本分别提供了合成和真实编辑的样例。

在线演示

我们提供了带有Gradio应用的演示。请注意,你可能需要将演示复制到自己的空间以使用GPU。在线Colab演示演示也可用。

本地Gradio演示

你可以通过以下命令在本地启动提供的Gradio演示

CUDA_VISIBLE_DEVICES=0 python app.py

结合T2I-Adapter的MasaCtrl

按照提供的教程安装T2I-Adapter并准备检查点。假设它已成功安装,根目录为T2I-Adapter

然后将核心masactrl包和推理代码masactrl_w_adapter.py复制到T2I-Adapter的根目录

cp -r MasaCtrl/masactrl T2I-Adapter/ cp MasaCtrl/masactrl_w_adapter/masactrl_w_adapter.py T2I-Adapter/

[更新] 或者你可以直接克隆MasaCtrl-w-T2I-Adapter仓库到本地。

最后,你可以使用以下命令推理图像(使用草图适配器)

python masactrl_w_adapter.py \ --which_cond sketch \ --cond_path_src 源条件路径 \ --cond_path 条件路径 \ --cond_inp_type sketch \ --prompt_src "森林中行走的熊" \ --prompt "森林中站立的熊" \ --sd_ckpt models/sd-v1-4.ckpt \ --resize_short_edge 512 \ --cond_tau 1.0 \ --cond_weight 1.0 \ --n_samples 1 \ --adapter_ckpt models/t2iadapter_sketch_sd14v1.pth

注意:你可以在这里下载草图示例。

对于真实图像,使用DDIM反演将图像转换为噪声图,因此我们在原始DDIM采样器中添加了反演过程。你应该用扩展版本MasaCtrl/masactrl_w_adapter/ddim.py替换原始文件T2I-Adapter/ldm/models/diffusion/ddim.py以启用反演功能。然后你可以使用以下命令编辑真实图像(使用草图适配器)

python masactrl_w_adapter.py \ --src_img_path 源图像路径 \ --cond_path 条件路径 \ --cond_inp_type image \ --prompt_src "" \ --prompt "一张穿黑色T恤竖起大拇指的男人的照片" \ --sd_ckpt models/sd-v1-4.ckpt \ --resize_short_edge 512 \ --cond_tau 1.0 \ --cond_weight 1.0 \ --n_samples 1 \ --which_cond sketch \ --adapter_ckpt models/t2iadapter_sketch_sd14v1.pth \ --outdir ./workdir/masactrl_w_adapter_inversion/black-shirt

注意:你可以在这里下载真实图像编辑示例。

致谢

我们感谢这些出色的研究工作Prompt-to-PromptT2I-Adapter

引用

@InProceedings{cao_2023_masactrl, author = {Cao, Mingdeng and Wang, Xintao and Qi, Zhongang and Shan, Ying and Qie, Xiaohu and Zheng, Yinqiang}, title = {MasaCtrl: Tuning-Free Mutual Self-Attention Control for Consistent Image Synthesis and Editing}, booktitle = {Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV)}, month = {October}, year = {2023}, pages = {22560-22570} }

联系

如果你有任何意见或问题,请开启一个新的issue或随时联系曹明登王鑫涛

编辑推荐精选

蛙蛙写作

蛙蛙写作

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。

AI辅助写作AI工具蛙蛙写作AI写作工具学术助手办公助手营销助手AI助手
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
问小白

问小白

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。

热门AI助手AI对话AI工具聊天机器人
Transly

Transly

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。

讯飞智文

讯飞智文

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。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

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。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
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。

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。

下拉加载更多