本文經(jīng)AIGC Studio公眾號授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

今天給大家介紹由香港大學(xué)，Adobe提出的統(tǒng)一圖像生產(chǎn)與編輯方法UniReal，將多種圖像任務(wù)統(tǒng)一成視頻生成的范式，并且在大規(guī)模視頻中學(xué)習(xí)真實的動態(tài)與變化，在指令編輯、圖像定制化、圖像組合等多種任務(wù)達(dá)到最佳水準(zhǔn)。

圖片

上圖為UniReal多功能性的展示。作為一個通用框架，UniReal 支持在單一模型內(nèi)進(jìn)行廣泛的圖像生成和編輯任務(wù)，適應(yīng)不同的輸入輸出配置并生成高度逼真的結(jié)果，可有效處理具有挑戰(zhàn)性的場景，例如陰影、反射、燈光效果、物體姿勢變化等。

相關(guān)鏈接

• 論文：https://arxiv.org/abs/2412.07774
• 主頁：https://xavierchen34.github.io/UniReal-Page/
• 代碼：即將開放...

論文概述

論文提出了一個統(tǒng)一的框架UniReal，旨在解決各種圖像生成和編輯任務(wù)。現(xiàn)有的解決方案通常因任務(wù)而異，但基本原則是相同的：在捕捉視覺變化的同時保持輸入和輸出之間的一致性。受最近視頻生成模型的啟發(fā)，這些模型有效地平衡了幀之間的一致性和變化，文中提出了一種統(tǒng)一的方法，將圖像級任務(wù)視為不連續(xù)的視頻生成。具體來說，將不同數(shù)量的輸入和輸出圖像視為幀，從而實現(xiàn)對圖像生成、編輯、自定義、合成等任務(wù)的無縫支持。雖然是為圖像級任務(wù)設(shè)計的，但是利用了視頻作為通用監(jiān)督的可擴(kuò)展來源。UniReal 從大規(guī)模視頻中學(xué)習(xí)世界動態(tài)，展示了處理陰影、反射、姿勢變化和物體交互的高級能力，同時也展示了用于新應(yīng)用的新興能力。

方法介紹

UniReal將圖像生成和編輯任務(wù)制定為不連續(xù)幀生成。首先，輸入圖像通過 VAE 編碼器編碼到潛在空間中。然后，將圖像潛在和噪聲潛在修補(bǔ)成視覺標(biāo)記。之后將索引嵌入和圖像提示（資產(chǎn)/畫布/控件）添加到視覺標(biāo)記中。同時，上下文提示和基本提示由 T5 編碼器處理。將所有潛在補(bǔ)丁和文本嵌入連接為一個長 1D 張量并將它們發(fā)送到轉(zhuǎn)換器。最后對去噪結(jié)果進(jìn)行解碼以獲得所需的輸出圖像。

結(jié)果展示

自由形式的指導(dǎo)性編輯

主題驅(qū)動的圖像定制

人體形象個性化

對象/部件插入

圖像理解

更多應(yīng)用