NUS&深大提出VisorGPT：为可控文本图像生成定制空间条件

论文简介

可控扩散模型如ControlNet、T2I-Adapter和GLIGEN等可通过额外添加的空间条件如人体姿态、目标框来控制生成图像中内容的具体布局。使用从已有的图像中提取的人体姿态、目标框或者数据集中的标注作为空间限制条件，上述方法已经获得了非常好的可控图像生成效果。那么如何更友好、方便地获得空间限制条件？或者说如何自定义空间条件用于可控图像生成呢？例如自定义空间条件中物体的类别、大小、数量、以及表示形式（目标框、关键点、和实例掩码）。

本文将空间条件中物体的形状、位置以及它们之间的关系等性质总结为视觉先验（Visual Prior），并使用Transformer Decoder以Generative Pre-Training的方式来建模上述视觉先验。因此，我们可以从学习好的先验中通过Prompt从多个层面，例如表示形式（目标框、关键点、实例掩码）、物体类别、大小和数量，来采样空间限制条件。我们设想，随着可控扩散模型生成能力的提升，以此可以针对性地生成图像用于特定场景下的数据补充，例如拥挤场景下的人体姿态估计和目标检测。

方法介绍

表1 训练数据

本文从当前公开的数据集中整理收集了七种数据，如表1所示。为了以Generative Pre-Training的方式学习视觉先验并且添加序列输出的可定制功能，本文提出以下两种Prompt模板：

使用上述模板可以将表1中训练数据中每一张图片的标注格式化成一个序列x。在训练过程中，我们使用BPE算法将每个序列x编码成tokens={u1,u2,…,u3}，并通过极大化似然来学习视觉先验，如下式：

最后，我们可以从上述方式学习获得的模型中定制序列输出，如下图所示。

图1 定制序列输出

效果展示