本文經(jīng)AI新媒體量子位（公眾號(hào)ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)聯(lián)系出處。

現(xiàn)在，AI繪畫完全可以做到指哪打哪了！

這邊哈士奇，那邊牧羊犬，背景在下雪天。

啪嘰！一幅畫就這么完成了。

這個(gè)最新MultiDiffusion模型，不管選的區(qū)域位置有多離譜，它都能給你畫出指定的東西來(lái)。

比如，你能看到大象和奶牛同時(shí)握草？？

而且在線可試，親測(cè)大概15秒就能出，你甚至可以看到泰勒與愛(ài)因斯坦跨時(shí)空同框。

要知道以前AI繪畫最大的一個(gè)bug就是不可控，但現(xiàn)在人類擁有了更多的控制權(quán)。

總之就是，想畫什么就畫什么，想往哪畫就往哪畫！

有網(wǎng)友趕緊上手試了試：Not Bad！

想往哪畫就往哪畫

從效果來(lái)看，主要有三個(gè)方面的應(yīng)用。

• 文本到高分辨率全景生成；
• 精確區(qū)域生成；
• 任意長(zhǎng)寬比粗略區(qū)域生成。

首先，只需要一句話，就可以生成512*4609分辨率的全景圖。

一張有滑雪者的雪山頂峰的照片。

攝影師也不用爬樓了，直接獲得城市夜景圖。

當(dāng)然更為主體功能，那就是給特定區(qū)域單獨(dú)提示，然后AI繪畫就來(lái)指哪畫哪。

比如在黑色部分是一個(gè)明亮的盥洗室，紅色區(qū)域是一面鏡子、藍(lán)色部分是花瓶、黃色部分是白色的水槽。

就這么隨手一個(gè)拼圖畫，結(jié)果就生成了真實(shí)場(chǎng)景。

不過(guò)也有一些bug，像一些超現(xiàn)實(shí)的，他就有點(diǎn)太天馬行空了。

比如三體人在宇宙中大戰(zhàn)人類。

當(dāng)然也可以無(wú)需那么精確，只需標(biāo)個(gè)大致位置，還支持任意長(zhǎng)寬比的圖像。

藍(lán)色部分是埃菲爾鐵塔、紅色是粉色的云、綠色是熱氣球 。

關(guān)鍵是各種構(gòu)圖都十分地合理、場(chǎng)景效果以及實(shí)際物體相對(duì)大小也都十分精準(zhǔn)。

圖像生成可控

背后的這個(gè)模型叫做MultiDiffusion，這是一個(gè)統(tǒng)一的框架，能實(shí)現(xiàn)多功能和可控的圖像生成。

以往即便Diffusion模型給圖像生成帶來(lái)變革性影響，但用戶對(duì)生成圖像的可控性、以對(duì)新任務(wù)的快速適應(yīng)仍是不小的挑戰(zhàn)。

研究人員主要是通過(guò)重新訓(xùn)練、微調(diào)，或者另外開發(fā)工具等方式來(lái)解決。前不久爆火插件ControlNet正是解決了圖像生成的可控性，

而MultiDiffusion無(wú)需進(jìn)一步訓(xùn)練或微調(diào)，就可一次實(shí)現(xiàn)對(duì)生成內(nèi)容的多種靈活控制，包括期望的長(zhǎng)寬比、空間引導(dǎo)信號(hào)等。

簡(jiǎn)單來(lái)說(shuō)，MultiDiffusion的關(guān)鍵在于，在預(yù)先訓(xùn)練好的擴(kuò)散模型上定義一個(gè)全新的生成過(guò)程。從噪聲圖像開始，在每個(gè)生成步驟中，解決一個(gè)優(yōu)化任務(wù)。

然后再將多個(gè)擴(kuò)散生成過(guò)程與一組共享的參數(shù)或約束結(jié)合起來(lái)，目標(biāo)是將每個(gè)部分都盡可能去接近去噪版本。

即便有時(shí)候每個(gè)步驟都可能會(huì)將圖像拉向不同的方向，但最終融合到一個(gè)全局去噪步驟當(dāng)中，得到一個(gè)無(wú)縫圖像。

來(lái)自魏茨曼科學(xué)研究所

這篇論文主要來(lái)自位于以色列雷霍沃特的魏茨曼科學(xué)研究所。

兩位共同一作Omer Bar-Tal、Lior Yariv分別是魏茲曼科學(xué)研究院計(jì)算機(jī)科學(xué)和應(yīng)用數(shù)學(xué)系的研究生和博士生，后兩位分別是他們的導(dǎo)師。

△左：Omer Bar-Tal；右：Lior Yariv

好了，感興趣的旁友可戳下方試一試哦！

?https://huggingface.co/spaces/weizmannscience/MultiDiffusion?
主頁(yè)鏈接：
?https://multidiffusion.github.io/?
論文鏈接：https://arxiv.org/abs/2302.08113