这是一份看似平平无奇的日式便当。
但你敢信,其实每一格食物都是P上去的,而且原图还是酱婶儿的:
△直接抠图贴上去,效果一眼假
背后操作者并不是什么PS大佬,而是一只AI,名字很直白:拼图扩散(Collage Diffusion)。
随便找几张小图拿给它,AI就能自己看懂图片内容,再把各元素非常自然地拼成一张大图——完全不存在一眼假。
其效果惊艳了不少网友。
甚至还有PS爱好者直呼道:
这简直是个天赐之物……希望很快能在Automatic1111( Stable Diffusion用户常用的网络UI,也有集成在PS中的插件版)中看到它。
01、为什么效果这么自然?
实际上,此AI生成的“日式便当”还有好几个生成版本——都很自然有木有。
至于为啥还有多种版本?问就是因为用户还能自定义,在总体不变得太离谱的前提下,他们可以微调各种细节。
除了“日式便当”,它还有不少出色的作品。
比如,这是拿给AI的素材,P图痕迹明显:
这是AI拼好的图,反正我愣是没看出什么P图痕迹:
话说这两年,“文字生成图像的扩散模型”着实大火了一把,DALL·E 2和Imagen都是基于此开发出来的应用。这种扩散模型的优点,是生成图片多样化、质量较高。
不过,文字终究对于目标图像,最多只能起到模糊的规范作用,所以用户通常要花大量时间调整提示(prompt),还得搭配上额外的控制组件,才可以取得不错的效果。
就拿前文展示的日式便当来说:
如果用户只输入“一个装有米饭、毛豆、生姜和寿司的便当盒”,那就既没描述哪种食物放到哪一格,也没有说明每种食物的外观。但如果非要讲清楚的话,用户恐怕得写一篇小作文了……
鉴于此,斯坦福团队决定从别的角度出发。
他们决定参考传统思路,通过拼图来生成最终图像,并由此开发出了一种新的扩散模型。
有意思的是,说白了,这种模型也算是用经典技术“拼”出来的。
首先是分层:使用基于图层的图像编辑UI,将源图像分解成一个个RGBA图层(R、G、B分别代表红、绿、蓝,A代表透明度),然后将这些图层排列在画布上,并把每个图层和文字提示配对。
通过分层,可以修改图像中的各种元素。
到目前为止,分层已经是计算机图形领域中一项成熟的技术,不过此前分层信息一般是作为单张图片输出结果使用的。
而在这种新型“拼图扩散模型”中,分层信息成了后续操作的输入。
除了分层,还搭配了现有的基于扩散的图像协调技术,提升图像视觉质量。
总而言之,该算法不仅限制了对象的某些属性(如视觉特征)的变化,同时允许属性(方向、光照、透视、遮挡)发生改变。
——从而平衡了还原度和自然度之间的关系,生成“神似”且毫无违和感的图片。
操作过程也很easy,在交互编辑模式下,用户在几分钟内就能创作一幅拼贴画。
他们不仅可以自定义场景中的空间排列顺序(就是把从别处扣出来的图放到适当的位置);还能调整生成图像的各个组件。用同样的源图,可以得出不同的效果。
△最右列是这个AI的输出结果
而在非交互式模式下(即用户不拼图,直接把一堆小图丢给AI),AI也能根据拿到的小图,自动拼出一张效果自然的大图。
02、研究团队
最后,来说说背后的研究团队,他们是斯坦福大学计算机科学系的一群师生。
论文一作,Vishnu Sarukkai现为斯坦福计算机科学系研究生,还是硕博连读的那种。
他的主要研究方向为:计算机图形学、计算机视觉和机器学习。
此外,论文的共同作者Linden Li,也是斯坦福计算机科学系研究生。
在校求学期间,他曾到英伟达实习4个月,与英伟达深度学习研究小组合作,参与训练了增加100M+参数的视觉转换器模型。