今天给大家介绍的文章来自公众号粉丝投稿,由香港大学,Adobe提出的统一图像生产与编辑方法UniReal,将多种图像任务统一成视频生成的范式,并且在大规模视频中学习真实的动态与变化,在指令编辑、图像定制化、图像组合等多种任务达到最佳水准。
上图为UniReal多功能性的展示。作为一个通用框架,UniReal 支持在单一模型内进行广泛的图像生成和编辑任务,适应不同的输入输出配置并生成高度逼真的结果,可有效处理具有挑战性的场景,例如阴影、反射、灯光效果、物体姿势变化等。
相关链接
论文:https://arxiv.org/abs/2412.07774 主页:https://xavierchen34.github.io/UniReal-Page/ 代码:即将开放...
论文概述
论文提出了一个统一的框架UniReal,旨在解决各种图像生成和编辑任务。现有的解决方案通常因任务而异,但基本原则是相同的:在捕捉视觉变化的同时保持输入和输出之间的一致性。受最近视频生成模型的启发,这些模型有效地平衡了帧之间的一致性和变化,文中提出了一种统一的方法,将图像级任务视为不连续的视频生成。具体来说,将不同数量的输入和输出图像视为帧,从而实现对图像生成、编辑、自定义、合成等任务的无缝支持。虽然是为图像级任务设计的,但是利用了视频作为通用监督的可扩展来源。UniReal 从大规模视频中学习世界动态,展示了处理阴影、反射、姿势变化和物体交互的高级能力,同时也展示了用于新应用的新兴能力。
方法介绍
UniReal将图像生成和编辑任务制定为不连续帧生成。首先,输入图像通过 VAE 编码器编码到潜在空间中。然后,将图像潜在和噪声潜在修补成视觉标记。之后将索引嵌入和图像提示(资产/画布/控件)添加到视觉标记中。同时,上下文提示和基本提示由 T5 编码器处理。将所有潜在补丁和文本嵌入连接为一个长 1D 张量并将它们发送到转换器。最后对去噪结果进行解码以获得所需的输出图像。
结果展示
自由形式的指导性编辑
主题驱动的图像定制
人体形象个性化
对象/部件插入
图像理解
更多应用
感谢你看到这里,也欢迎点击关注下方公众号并添加公众号小助手加入官方读者交流群,一个有趣有AI的AIGC公众号:关注AI、深度学习、计算机视觉、AIGC、Stable Diffusion、Sora等相关技术,欢迎一起交流学习💗~