該文章的第一作者帥欣成，目前在復(fù)旦大學(xué)FVL實(shí)驗(yàn)室攻讀博士學(xué)位，本科畢業(yè)于上海交通大學(xué)。他的主要研究方向包括圖像和視頻編輯以及多模態(tài)學(xué)習(xí)。

前言

本文提出了解決一般性編輯任務(wù)的統(tǒng)一框架！近期，復(fù)旦大學(xué) FVL 實(shí)驗(yàn)室和南洋理工大學(xué)的研究人員對(duì)于多模態(tài)引導(dǎo)的基于文生圖大模型的圖像編輯算法進(jìn)行了總結(jié)和回顧。綜述涵蓋 300 多篇相關(guān)研究，調(diào)研的最新模型截止至今年 6 月！該綜述拓展了關(guān)于控制條件（自然語(yǔ)言，圖像，用戶接口）和編輯任務(wù)的討論 （物體 / 屬性操作、空間變換、inpainting、風(fēng)格轉(zhuǎn)換、圖像翻譯，主體 / 屬性客制化），以從更新穎和更一般性的角度全面的探討編輯方法。此外，該綜述提出的統(tǒng)一框架將編輯過(guò)程表示為不同算法族的組合，并通過(guò)全面的定性和定量實(shí)驗(yàn)來(lái)說(shuō)明各種組合的特性以及適應(yīng)場(chǎng)景。該框架提供了友好的設(shè)計(jì)空間以滿足用戶不同的需求，并為研究者們提供了一定的參考以開(kāi)發(fā)新的算法。

摘要

圖像編輯旨在根據(jù)用戶的特定需求編輯給定的合成圖像或真實(shí)圖像。作為人工智能生成內(nèi)容（AIGC）領(lǐng)域中一個(gè)有前景且具有挑戰(zhàn)性的領(lǐng)域，圖像編輯得到了廣泛研究。近期，大規(guī)模文生圖（T2I）擴(kuò)散模型驅(qū)動(dòng)了圖像編輯技術(shù)的發(fā)展。這些模型根據(jù)文本提示生成圖像，展示了驚人的生成能力，已成為圖像編輯的常用工具。基于 T2I 的圖像編輯方法顯著提升了編輯性能，為用戶提供了使用多模態(tài)條件引導(dǎo)進(jìn)行內(nèi)容修改的接口。我們對(duì)基于 T2I 擴(kuò)散模型的多模態(tài)引導(dǎo)下的圖像編輯技術(shù)進(jìn)行了全面回顧。首先，我們從更一般性的角度定義了圖像編輯任務(wù)的范圍，并詳細(xì)描述了各種控制信號(hào)和編輯場(chǎng)景。然后，我們提出了一個(gè)統(tǒng)一框架來(lái)形式化編輯過(guò)程，將其表示為兩個(gè)算法族的組合。這個(gè)框架為用戶提供了一個(gè)設(shè)計(jì)空間，以實(shí)現(xiàn)特定目標(biāo)。接著，我們對(duì)該框架內(nèi)的每個(gè)組件進(jìn)行了深入分析，研究了不同組合的特性和適用場(chǎng)景。由于基于訓(xùn)練的方法直接學(xué)習(xí)將源圖像映射到目標(biāo)圖像，我們對(duì)這些方法進(jìn)行了單獨(dú)討論，并介紹了不同場(chǎng)景下源圖像的注入方案。此外，我們也回顧了 2D 技術(shù)在視頻編輯中的應(yīng)用，重點(diǎn)介紹了解決幀間不一致性的問(wèn)題。最后，我們也討論了該領(lǐng)域的開(kāi)放性挑戰(zhàn)，并提出了潛在的未來(lái)研究方向。

• 論文題目：A Survey of Multimodal-Guided Image Editing with Text-to-Image Diffusion Models
• 發(fā)表單位：復(fù)旦大學(xué) FVL 實(shí)驗(yàn)室，南洋理工大學(xué)
• 論文地址：https://arxiv.org/abs/2406.14555
• 項(xiàng)目地址：https://github.com/xinchengshuai/Awesome-Image-Editing

1．研究動(dòng)機(jī)

1.1，在現(xiàn)實(shí)生活中，人們對(duì)于可控的、高質(zhì)量的智能化圖像編輯工具的需求日益增加，因此有必要系統(tǒng)地總結(jié)與對(duì)比這個(gè)方向的方法與技術(shù)特點(diǎn)。

1.2，當(dāng)前的編輯算法與相關(guān)的綜述都將編輯場(chǎng)景局限于保留圖像中的大部分與編輯無(wú)關(guān)的低級(jí)語(yǔ)義信息，為此需要擴(kuò)展編輯任務(wù)的范圍，從更具有一般性的視角討論編輯任務(wù)。

1.3，由于需求和場(chǎng)景具有多樣性，有必要將編輯過(guò)程形式化為一個(gè)統(tǒng)一框架，并為用戶提供一個(gè)設(shè)計(jì)空間來(lái)適應(yīng)不同的編輯目標(biāo)。

2．綜述亮點(diǎn)，與當(dāng)前編輯綜述有何區(qū)別？

2.1 關(guān)于編輯任務(wù)的定義與討論范圍。相比于現(xiàn)有的算法以及此前的編輯綜述，本文對(duì)于圖像編輯任務(wù)的定義更加廣泛。具體的，本文將編輯任務(wù)分為 content-aware 和 content-free 場(chǎng)景組。其中 content-aware 組內(nèi)的場(chǎng)景為之前的文獻(xiàn)所討論的主要任務(wù)，它們的共性是保留圖像中的一些低級(jí)語(yǔ)義特征，如編輯無(wú)關(guān)區(qū)域的像素內(nèi)容，或圖像結(jié)構(gòu)。此外，我們開(kāi)創(chuàng)性地將定制化任務(wù)（customization）納入到 content-free 場(chǎng)景組中，將這一類保留高級(jí)語(yǔ)義（如主體身份信息，或者其他細(xì)粒度屬性）的任務(wù)作為對(duì)常規(guī)的編輯場(chǎng)景的補(bǔ)充。

圖 1. Survey 討論的各種編輯場(chǎng)景

2.2 一般性編輯算法的統(tǒng)一框架。由于編輯場(chǎng)景的多樣性，現(xiàn)有的算法無(wú)法很好的解決所有的需求。因此我們將現(xiàn)有的編輯過(guò)程形式化為一個(gè)統(tǒng)一的框架，將其表示為兩個(gè)算法族的組合。此外我們也通過(guò)定性和定量實(shí)驗(yàn)分析了不同組合的特性與適應(yīng)場(chǎng)景，為用戶提供了一個(gè)良好的設(shè)計(jì)空間以適應(yīng)不同的編輯目標(biāo)。同時(shí)，該框架也為研究者們提供了一個(gè)較好的參考，以設(shè)計(jì)出性能更優(yōu)的算法。

2.3 討論的全面性。我們調(diào)研了 300 多篇的相關(guān)論文，系統(tǒng)且全面地闡述了各種模態(tài)的控制信號(hào)在不同場(chǎng)景下的應(yīng)用。對(duì)于基于訓(xùn)練的編輯方法，本文也提供了在各種場(chǎng)景下將源圖像注入到 T2I 模型的策略。此外，我們也探討了圖像編輯技術(shù)在視頻領(lǐng)域的應(yīng)用，使得讀者能夠快速的理解不同領(lǐng)域間編輯算法的聯(lián)系。

3．一般性編輯算法的統(tǒng)一框架

圖 2. 一般性編輯算法的統(tǒng)一框架

框架包含了兩個(gè)算法族 Inversion 算法和 Editing 算法。

3.1 Inversion 算法。Inversion 算法將源圖像集合編碼到特定的特征或參數(shù)空間，得到對(duì)應(yīng)的表征（inversion clue），并用對(duì)應(yīng)的源文本描述作為源圖像的標(biāo)識(shí)符。包括 tuning-based和 forward-based兩種類型的 inversion 算法。其可以被形式化為：

Tuning-based inversion通過(guò)原有的 diffusion 訓(xùn)練過(guò)程將源圖像集合植入到擴(kuò)散模型的生成分布中。形式化過(guò)程為：

其中為引入的可學(xué)習(xí)的參數(shù)，且。

Forward-based inversion用于在擴(kuò)散模型的反向過(guò)程中（）還原某一條前向路徑中的噪聲（）。形式化過(guò)程為：

其中為方法中引入的參數(shù)，用于最小化，其中，。

3.2.Editing 算法。Editing 算法根據(jù)和多模態(tài)引導(dǎo)集合來(lái)生成最終的編輯結(jié)果。包含 attention-based，blending-based，score-based以及 optimization-based的 editing 算法。其可以被形式化為：

特別地，對(duì)于每一步的反向過(guò)程，進(jìn)行了如下操作：

其中中的操作表示編輯算法對(duì)于擴(kuò)散模型采樣過(guò)程的干預(yù)，用于保證編輯后的圖像與源圖像集合的一致性，并反應(yīng)出中引導(dǎo)條件所指明的視覺(jué)變換。

特別地，我們將無(wú)干預(yù)的編輯過(guò)程視作為普通版本的編輯算法。其形式化為:

Attention-based editing的形式化過(guò)程:

Blending-based editing的形式化過(guò)程:

Score-based editing的形式化過(guò)程:

Optimization-based editing的形式化過(guò)程:

3.3 Training-Based 的編輯方法。與 training-free 的方法不同的是，training-based 算法通過(guò)在任務(wù)特定的數(shù)據(jù)集中直接學(xué)習(xí)源圖像集合到編輯圖像的映射。這一類算法可以看作是 tuning-based inversion 的擴(kuò)展，即通過(guò)額外引入的參數(shù)將源圖像編碼到生成分布中。在這類算法中，最重要的是如何將源圖像注入到 T2I 模型中，以下是針對(duì)不同編輯場(chǎng)景的注入方案。

Content-aware 任務(wù)的注入方案：

圖 3. Content-aware 任務(wù)的注入方案

Content-free 任務(wù)的注入方案：

圖 3. Content-free 任務(wù)的注入方案

4．統(tǒng)一框架在多模態(tài)編輯任務(wù)中的應(yīng)用

本文通過(guò)定性實(shí)驗(yàn)說(shuō)明了各個(gè)組合在多模態(tài)編輯任務(wù)中的應(yīng)用：

圖 4. 關(guān)于 attention-based editing的算法組合的應(yīng)用

圖 5. 關(guān)于 blending-based editing的算法組合的應(yīng)用

圖 6. 關(guān)于 score-based editing的算法組合的應(yīng)用

圖 7. 關(guān)于 optimization-based editing的算法組合的應(yīng)用

詳細(xì)分析請(qǐng)查閱原始論文。

5．不同組合在文本引導(dǎo)編輯場(chǎng)景下的比較

對(duì)于常見(jiàn)的文本引導(dǎo)的編輯任務(wù)，本文通過(guò)設(shè)計(jì)了多個(gè)具有挑戰(zhàn)性的定性實(shí)驗(yàn)，以說(shuō)明不同組合所適合的編輯場(chǎng)景。此外，本文也相應(yīng)地收集了高質(zhì)量和具有一定難度的數(shù)據(jù)集，以定量地說(shuō)明各種組合中的先進(jìn)算法在不同場(chǎng)景下的性能。

對(duì)于 content-aware 任務(wù)，我們主要考慮對(duì)象操作（增 / 刪 / 替換），屬性改變，風(fēng)格遷移。特別地，我們考慮了具有挑戰(zhàn)性的實(shí)驗(yàn)設(shè)置：1. 多目標(biāo)編輯。2. 對(duì)于圖像的語(yǔ)義布局影響較大的用例。我們也收集了這些復(fù)雜場(chǎng)景的高質(zhì)量圖片，并對(duì)不同組合中的先進(jìn)算法進(jìn)行全面定量比較。

 圖 8.Content-aware 任務(wù)中各個(gè)組合的定性比較，從左至右分別是

結(jié)果分析以及更多實(shí)驗(yàn)結(jié)果請(qǐng)查閱原始論文。

對(duì)于 content-free 任務(wù)，我們主要考慮基于主體驅(qū)動(dòng)的（subject-driven）定制化任務(wù)。并考慮了多種場(chǎng)景，如更換背景，與物體交互，行為改變，以及風(fēng)格改變。我們也定義了大量的文本引導(dǎo)模板，并對(duì)各個(gè)方法的整體性能進(jìn)行定量分析。

圖 9.Content-free 任務(wù)中各個(gè)組合的定性比較，從左至右分別是

結(jié)果分析以及更多實(shí)驗(yàn)結(jié)果請(qǐng)查閱原始論文。

6．未來(lái)可以研究的方向

此外本文也給出了一些關(guān)于未來(lái)研究方向的分析。這里以 content-aware 任務(wù)和 content-free 任務(wù)面臨的挑戰(zhàn)為例。

6.1. Content-aware 任務(wù)的挑戰(zhàn)。對(duì)于 content-aware 編輯任務(wù)的挑戰(zhàn)，現(xiàn)有方法無(wú)法同時(shí)處理多種編輯場(chǎng)景和控制信號(hào)。這一限制迫使應(yīng)用在不同任務(wù)之間切換合適的后端算法。此外，一些高級(jí)方法在易用性方面不友好。某些方法需要用戶調(diào)整關(guān)鍵參數(shù)以獲得最佳結(jié)果，而其他方法則需要繁瑣的輸入，例如源和目標(biāo)提示，或輔助掩碼。

6.2.Content-free 任務(wù)的挑戰(zhàn)。對(duì)于 content-free 編輯任務(wù)，現(xiàn)有方法在測(cè)試時(shí)調(diào)優(yōu)過(guò)程冗長(zhǎng)且存在過(guò)擬合問(wèn)題 。一些研究旨在通過(guò)優(yōu)化少量參數(shù)或從頭開(kāi)始訓(xùn)練模型來(lái)緩解這一問(wèn)題。然而，它們常常會(huì)丟失個(gè)性化主體的細(xì)節(jié)，或表現(xiàn)出較差的泛化能力。此外，當(dāng)前方法在從少量圖像中提取抽象概念方面也有所不足，它們無(wú)法完全將所需概念與其他視覺(jué)元素分離開(kāi)來(lái)。

了解更多研究方向內(nèi)容可以查閱原始論文。