ReVersion｜图像生成中的 Relation 定制化

1

新任务：Relation Inversion

今年，diffusion model和相关的定制化（personalization）的工作越来越受人们欢迎，例如DreamBooth，Textual Inversion，Custom Diffusion等，该类方法可以将一个具体物体的概念从图片中提取出来，并加入到预训练的text-to-image diffusion model中，这样一来，人们就可以定制化地生成自己感兴趣的物体，比如说具体的动漫人物，或者是家里的雕塑，水杯等等。

现有的定制化方法主要集中在捕捉物体外观(appearance)方面。然而，除了物体的外观，视觉世界还有另一个重要的支柱，就是物体与物体之间千丝万缕的关系（relation）。目前还没有工作探索过如何从图片中提取一个具体关系（relation），并将该relation作用在生成任务上。为此，我们提出了一个新任务：Relation Inversion。

如上图，给定几张参考图片，这些参考图片中有一个共存的relation，例如“物体A被装在物体B中”，Relation Inversion的目标是找到一个relation prompt <R>来描述这种交互关系，并将其应用于生成新的场景，让其中的物体也按照这个relation互动，例如将蜘蛛侠装进篮子里。

• 论文：https://arxiv.org/abs/2303.13495
• 代码：https://github.com/ziqihuangg/ReVersion
• 主页：https://ziqihuangg.github.io/projects/reversion.html
• 视频：https://www.youtube.com/watch?v=pkal3yjyyKQ
• Demo：https://huggingface.co/spaces/Ziqi/ReVersion

2

ReVersion框架

作为针对Relation Inversion问题的首次尝试，我们提出了ReVersion框架：

相较于已有的Appearance Invesion任务，Relation Inversion任务的难点在于怎样告诉模型我们需要提取的是relation这个相对抽象的概念，而不是物体的外观这类有显著视觉特征的方面。

我们提出了relation-focal importance sampling策略来鼓励<R>更多地关注high-level的relation；同时设计了relation-steering contrastive learning来引导<R>更多地关注relation，而非物体的外观。更多细节详见论文。

3

ReVersion Benchmark

我们收集并提供了ReVersion Benchmark： https://github.com/ziqihuangg/ReVersion#the-reversion-benchmark

它包含丰富多样的relation，每个relation有多张exemplar images以及人工标注的文字描述。我们同时对常见的relation提供了大量的inference templates，大家可以用这些inference templates来测试学到的relation prompt<R>是否精准，也可以用来组合生成一些有意思的交互场景。

4

结果展示

丰富多样的relation

我们可以invert丰富多样的relation，并将它们作用在新的物体上

丰富多样的背景以及风格

我们得到的relation <R>，还可以将不同风格和背景场景中的物体，按照特定的方式联系在一起。

同一个Relation，丰富多样的物体组合