用GPT-3.5生成數(shù)據(jù)集！北大天工等團(tuán)隊(duì)圖像編輯新SOTA，可精準(zhǔn)模擬物理世界場(chǎng)景

　　高質(zhì)量圖像編輯的方法有很多，但都很難準(zhǔn)確表達(dá)出真實(shí)的物理世界。

　　那么，Edit the World試試。

　　來自北京大學(xué)、Tiamat AI、天工AI、Mila實(shí)驗(yàn)室提出了EditWorld，他們引入了一種新的編輯任務(wù)，即世界指令(world-instructed)圖像編輯，它定義和分類基于各種世界場(chǎng)景的指令。

　　在一組預(yù)訓(xùn)練模型，比如GPT-3.5、Video-LLava 和 SDXL的支持下，建立了一個(gè)帶有世界指令的多模態(tài)數(shù)據(jù)集。

　　在該數(shù)據(jù)集訓(xùn)練了一個(gè)基于擴(kuò)散的圖像編輯模型EditWorld，結(jié)果在其新任務(wù)的表現(xiàn)明顯優(yōu)于現(xiàn)有的編輯方法，實(shí)現(xiàn)SOTA。

　　圖像編輯新SOTA

　　現(xiàn)有的方法通過多種途徑實(shí)現(xiàn)高質(zhì)量的圖像編輯，包括但不限于文本控制、拖動(dòng)操作以及inpainting。其中，利用instruction進(jìn)行編輯的方法由于使用方便受到廣泛的關(guān)注。

　　盡管現(xiàn)有的圖片編輯方法能夠產(chǎn)生高質(zhì)量的結(jié)果，但它們?cè)谔幚韨鬟_(dá)物理世界中真實(shí)視覺動(dòng)態(tài)的世界動(dòng)態(tài)方面仍然存在困難。

　　如圖1所示，無論是InstructPix2pix還是MagicBrush都無法生成合理的編輯結(jié)果。

　　為了解決這一問題，團(tuán)隊(duì)引入了一項(xiàng)新的任務(wù)，稱為world-instructed image editing，使圖像編輯能夠反映真實(shí)物理世界和虛擬媒體中的“世界動(dòng)態(tài)”。

　　具體來說，他們定義并分類了各種世界動(dòng)態(tài)指令，并基于這些指令創(chuàng)建了一個(gè)新的多模態(tài)訓(xùn)練數(shù)據(jù)集，該數(shù)據(jù)集包含大量的輸入-指令-輸出三元組。

　　最后，團(tuán)隊(duì)使用精心制作的數(shù)據(jù)集訓(xùn)練了一個(gè)文本引導(dǎo)的擴(kuò)散模型，并提出了一種零樣本圖像操作策略，以實(shí)現(xiàn)world-instructed image editing。

　　根據(jù)現(xiàn)實(shí)世界以及虛擬媒體中的任務(wù)場(chǎng)景，將world-instructed image editing分為7種認(rèn)為類別，并對(duì)每一種類別進(jìn)行了定義與介紹，同時(shí)提供了一個(gè)數(shù)據(jù)樣例。

　　隨后團(tuán)隊(duì)設(shè)計(jì)了文本到圖片生成以及視頻分鏡提取兩個(gè)分支來獲取數(shù)據(jù)集。

　　文本生成圖片分支是為了豐富數(shù)據(jù)場(chǎng)景的豐富性，在該分支下，團(tuán)隊(duì)首先利用GPT生成文本四元組(包括input圖片描述、instruction、output圖片描述以及關(guān)鍵詞)，接著利用input以及output描述生成對(duì)應(yīng)文本的圖片，利用關(guān)鍵詞對(duì)應(yīng)的attention map對(duì)編輯位置進(jìn)行定位獲取編輯mask，與此同時(shí)為了保證前后兩張圖關(guān)鍵特征的一致性，團(tuán)隊(duì)引入了image prompt adaption的方法IP-Adapter，最后團(tuán)隊(duì)使用IP-Adapter以及ControlNet，結(jié)合output image的canny map以及input image的image prompt feature，利用Image Inpainting對(duì)output image進(jìn)行調(diào)整，從而獲得比較有效的編輯數(shù)據(jù)。

　　利用文本生成圖片分支得到場(chǎng)景豐富的數(shù)據(jù)后，為了能向數(shù)據(jù)集中添加真實(shí)數(shù)據(jù)，團(tuán)隊(duì)從視頻中提取高質(zhì)量的關(guān)鍵幀作為編輯數(shù)據(jù)。具體來說，團(tuán)隊(duì)從視頻分鏡中提取相關(guān)性強(qiáng)且結(jié)構(gòu)差異大兩幀作為起始與末尾幀，并切分出一段新的分鏡，利用多模態(tài)大模型對(duì)這段分鏡的變化進(jìn)行描述，最后團(tuán)隊(duì)以起始與末尾幀作為input image以及output image，以得到的描述作為instruction，這樣就獲得了需要的編輯數(shù)據(jù)。

　　再進(jìn)一步，團(tuán)隊(duì)利用人工對(duì)生成數(shù)據(jù)進(jìn)行recheck，從而進(jìn)一步提升數(shù)據(jù)質(zhì)量。

　　團(tuán)隊(duì)利用數(shù)據(jù)集對(duì)InstructPix2Pix模型進(jìn)行finetune，同時(shí)為了保護(hù)非編輯區(qū)域?qū)崿F(xiàn)更為精確的編輯，團(tuán)隊(duì)提出了post-edit策略。

　　最終可以看到，團(tuán)隊(duì)的方法可以很好地實(shí)現(xiàn)world-instructed image editing。