本期为TechBeat人工智能社区第617期线上Talk。
他与大家分享的主题是: “零样本图像编辑中ID一致性与生成多样性的平衡”，届时将探讨如何通过设计不同的训练方法和控制信号，在细节保真度与可编辑性之间达到平衡，从而完成各种惊艳的任务。他将重点介绍在这一领域的系列研究成果，包括 AnyDoor 和 MimicBrush。
长按识别二维码，一键预约TALK！
在AIGC的许多实际应用场景要求生成的内容能够保留给定参考目标的细节和身份特征。然而，在确保生成结果的高保真度的同时，保持内容的多样性和可编辑性仍然是一个富有挑战性的课题。在本次分享中，将探讨如何通过设计不同的训练方法和控制信号，在细节保真度与可编辑性之间达到平衡，从而完成各种惊艳的任务。我们将重点介绍在这一领域的系列研究成果，包括 AnyDoor 和 MimicBrush。
1.背景与动机，介绍图像编辑中平衡ID一致性与生成多样性的难点。
2.物体级别的零样本图像编辑算法；AnyDoor: Zero-shot Object-level Image Customization (CVPR2024)
3.局部区域级别的模仿式图像编辑；MimicBrush: Zero-shot Image Editing with Reference Imitation
4.问题分析与未来展望
Talk·预习资料
▼
论文链接：
https://arxiv.org/2307.09481 代码链接： https://github.com/ali-vilab/AnyDoor/
论文链接：
https://arxiv.org/2406.07547 代码链接：
https://github.com/ali-vilab/MimicBrush
Talk·提问交流
▼
Talk·嘉宾介绍
陈汐
个人主页:
https://www.techbeat.net/grzytrkj?id=10082
长按识别二维码，一键预约TALK！
-The End-
如果你也想成为讲者
▼
关于TechBeat人工智能社区
更多详细介绍>>TechBeat，一个荟聚全球华人AI精英的学习成长社区
