論文簡介

可控擴散模型如ControlNet、T2I-Adapter和GLIGEN等可通過額外添加的空間條件如人體姿態、目標框來控制生成圖像中內容的具體布局。使用從已有的圖像中提取的人體姿態、目標框或者數據集中的標注作為空間限制條件，上述方法已經獲得了非常好的可控圖像生成效果。那么如何更友好、方便地獲得空間限制條件？或者說如何自定義空間條件用于可控圖像生成呢？例如自定義空間條件中物體的類別、大小、數量、以及表示形式（目標框、關鍵點、和實例掩碼）。

本文將空間條件中物體的形狀、位置以及它們之間的關系等性質總結為視覺先驗（Visual Prior），并使用Transformer Decoder以Generative Pre-Training的方式來建模上述視覺先驗。因此，我們可以從學習好的先驗中通過Prompt從多個層面，例如表示形式（目標框、關鍵點、實例掩碼）、物體類別、大小和數量，來采樣空間限制條件。我們設想，隨著可控擴散模型生成能力的提升，以此可以針對性地生成圖像用于特定場景下的數據補充，例如擁擠場景下的人體姿態估計和目標檢測。

方法介紹

表1 訓練數據

本文從當前公開的數據集中整理收集了七種數據，如表1所示。為了以Generative Pre-Training的方式學習視覺先驗并且添加序列輸出的可定制功能，本文提出以下兩種Prompt模板：

使用上述模板可以將表1中訓練數據中每一張圖片的標注格式化成一個序列x。在訓練過程中，我們使用BPE算法將每個序列x編碼成tokens={u1,u2,…,u3}，并通過極大化似然來學習視覺先驗，如下式：

最后，我們可以從上述方式學習獲得的模型中定制序列輸出，如下圖所示。

圖1 定制序列輸出

效果展示