计算机科学 > 计算机视觉与模式识别
[提交于 2025年1月2日
]
标题: 针对组合图像生成的物体级视觉提示
标题: Object-level Visual Prompts for Compositional Image Generation
摘要: 我们介绍了一种在文本到图像扩散模型中组合对象级视觉提示的方法。 我们的方法解决了在不同场景和风格中生成语义连贯组合的任务,类似于文本提示所提供的多功能性和表达性。 此任务中的一个关键挑战是在保留输入视觉提示中所描绘对象的身份的同时,也在不同图像中生成多样化的组合。 为了解决这个挑战,我们引入了一种新的KV混合交叉注意力机制,其中键和值是从不同的视觉表示中学习得到的。 键来自一个具有小瓶颈用于布局控制的编码器,而值则来自一个具有更大瓶颈的编码器,该编码器捕捉精细的外观细节。 通过混合来自这些互补来源的键和值,我们的模型在保留视觉提示身份的同时,支持对象排列、姿态和组合的灵活变化。 在推理过程中,我们进一步提出了对象级的组合指导,以提高方法的身份保留和布局正确性。 结果表明,我们的技术生成了保留每个视觉提示独特特征的多样化场景组合,扩展了文本到图像生成的创造力潜力。
文献和引用工具
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
推荐器和搜索工具
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.