Attend-and-Excite
文本到图像扩散模型中的注意力机制优化
研究表明，当前的文本到图像生成模型在特定语义表达方面存在不足。为解决这一问题，提出了基于注意力机制的语义护理（Generative Semantic Nursing, GSN）方法。此方法通过在推理过程中调整模型的交叉注意单元，使生成的图像更准确地反映输入文本中的多个对象和属性。相比其他方法，该技术在各种文本提示下表现出更高的语义忠实度，并提供详细的实现步骤和代码，以便研究人员进行实验与复现。
Attend-and-Excite 项目介绍
项目背景
随着技术的进步，现代的文本到图像生成模型已经取得了不小的成果。这些模型能根据给定的文本提示生成丰富多样且具有创意的图像。不过，目前最先进的扩散模型在生成时，依然可能无法完全呈现出输入文本提示中的所有语义细节。这种情况被研究人员称为“灾难性忽视”，即模型可能无法生成某些文本提示中的对象，或者不能正确地将属性（例如颜色）与相应的对象绑定。
Attend-and-Excite 方法的提出
为了解决上述问题，Attend-and-Excite 引入了生成语义指导(Generative Semantic Nursing, 简称 GSN)的概念。这是一种在推理过程中实时介入生成过程的方法，旨在提高生成图像对文本提示的忠实度。Attend-and-Excite 方法通过调整模型的交叉注意力机制，确保模型能关注到文本提示中的所有主体词汇，并增强它们的激活，使生成图像更加贴近文本描述。
方法概述
使用 Attend-and-Excite 方法，可以在图像生成过程中引导模型修改交叉注意力值，使生成结果更忠于输入文本提示。以 Stable Diffusion 模型为例，单纯依靠其自身（如上部图示），可能难以生成包含多个对象（如马和狗）的图像。而通过加入 Attend-and-Excite 方法（如下部图示），可以强化主体词汇，从而生成更符合文本提示语义的图像。
使用说明
要生成图像，可以运行 run.py 脚本。例如：
python run.py --prompt "a cat and a dog" --seeds [0] --token_indices [2,5]
- 若要在 Stable Diffusion 2.1 上应用 Attend-and-Excite，可使用参数
--sd_2_1 True。 - 可以通过传递种子的列表运行多个种子，例如
--seeds [0,1,2,3]。 - 如果没有提供要更改的词汇索引列表，会根据 Stable Diffusion 的分词器分词，并展示每个词汇的索引，用户可自行指定要更改的索引。
- 若希望不使用 Attend-and-Excite，仅运行标准的 Stable Diffusion 模型，可以使用
--run_standard_sd True参数。
生成的图像会自动保存到指定路径。
资源和评价
- 提供 Jupyter 笔记本用于重现论文中的图像生成和交叉注意力图解释。
- 提供了计算图像基于 CLIP 相似度的代码，用于图像与指导文本提示的相似性评估。
- 提供用于生成图像的评价提示。
项目贡献与引用
该项目基于 diffusers 库和 Prompt-to-Prompt 代码库的资源构建。如果使用此代码进行研究，请按给定格式引用相关工作。
编辑推荐精选
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。
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。
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
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。
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
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。
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 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
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
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。
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
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