Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2501.01407

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2501.01407 (cs)
[提交于 2025年1月2日 ]

标题: 嵌套注意力:用于概念个性化的语义感知注意力值

标题: Nested Attention: Semantic-aware Attention Values for Concept Personalization

Authors:Or Patashnik, Rinon Gal, Daniil Ostashev, Sergey Tulyakov, Kfir Aberman, Daniel Cohen-Or
摘要: 将文本到图像模型个性化以在各种场景和风格中生成特定主题的图像是一个快速发展的领域。 当前的方法常常面临在身份保留和与输入文本提示对齐之间保持平衡的挑战。 一些方法依赖于一个文本标记来表示一个主题,这限制了表达能力,而其他方法则采用更丰富的表示,但会破坏模型的先验知识,降低提示对齐度。 在本工作中,我们引入了嵌套注意力,这是一种新颖的机制,它将丰富且具有表现力的图像表示注入到模型现有的交叉注意力层中。 我们的核心思想是生成依赖于查询的主题值,这些值来自学习为生成图像中的每个区域选择相关主题特征的嵌套注意力层。 我们将这些嵌套层集成到基于编码器的个性化方法中,并表明它们能够在遵循输入文本提示的同时实现高身份保留。 我们的方法具有通用性,可以在各种领域进行训练。 此外,其先验保留特性使我们能够在一个图像中结合来自不同领域的多个个性化主题。
摘要: Personalizing text-to-image models to generate images of specific subjects across diverse scenes and styles is a rapidly advancing field. Current approaches often face challenges in maintaining a balance between identity preservation and alignment with the input text prompt. Some methods rely on a single textual token to represent a subject, which limits expressiveness, while others employ richer representations but disrupt the model's prior, diminishing prompt alignment. In this work, we introduce Nested Attention, a novel mechanism that injects a rich and expressive image representation into the model's existing cross-attention layers. Our key idea is to generate query-dependent subject values, derived from nested attention layers that learn to select relevant subject features for each region in the generated image. We integrate these nested layers into an encoder-based personalization method, and show that they enable high identity preservation while adhering to input text prompts. Our approach is general and can be trained on various domains. Additionally, its prior preservation allows us to combine multiple personalized subjects from different domains in a single image.
评论: 项目页面位于 https://snap-research.github.io/NestedAttention/
主题: 计算机视觉与模式识别 (cs.CV) ; 图形学 (cs.GR); 机器学习 (cs.LG)
引用方式: arXiv:2501.01407 [cs.CV]
  (或者 arXiv:2501.01407v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2501.01407
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Or Patashnik [查看电子邮件]
[v1] 星期四, 2025 年 1 月 2 日 18:52:11 UTC (48,669 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-01
切换浏览方式为:
cs
cs.GR
cs.LG

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号