Textual Inversion、DreamBooth、LoRA、InstantID：从低成本进化到零成本实现IP专属的AI绘画模型

2023年7月份国内有一款定制写真AI工具爆火。一款名为妙鸭相机的AI写真小程序，成功在C端消费者群体中出圈，并在微信、微博和小红书等平台迅速走红，小红书上的话题Tag获得了330多万的浏览量，相关微信指数飙升到了1800万以上。

其他能够提供类似功能例如：LensaAI，Midjourney，DALL-E3，Stable Diffusion，Tiamat。只不过LensaAI和妙鸭相机对于定制图像生成更加专精一些。

这背后用到技术演化，就是Textual Inversion、DreamBooth、LoRA、InstantID这四类，从一开始需要样本数据微调，到2024年1月发布InstantID不需要样本数据微调。

本文跟朋友们分享相关技术。

欢迎关注留言！

Stable Diffusion 简称 SD。

Textual Inversion

为了更好理解Textual Inversion算法，我先回顾下SD词嵌入向量的使用方式。 也可以看我以前的文章。

当我在SD AI上画画时，我会先输入一个提示。这个提示会被一个叫做“tokenizer”的工具拆分成很多小部分，每个小部分都有一个独特的标识，叫做“token_id”。接着，这些“token_id”会在一个已经准备好的词库里找到对应的词嵌入向量。这些词嵌入向量就像是我们提示的“翻译”，让机器能更好地理解。

然后，我会把这些词嵌入向量放在一起，传给CLIP的文本编码器。这个编码器会帮我把这些向量变成一种更容易理解的形式，也就是文本表征。有了这个文本表征，我就可以用一个叫做“交叉注意力机制”的工具来控制我的图像生成了。简单来说，就是我想画什么，机器就能帮我画出什么。

理解了 SD 词嵌入向量的使用，再来学习 Textual Inversion 这个算法就会非常简单。

Textual Inversion 算法的本质是学习一个全新的词嵌入向量，用于指代定制化的内容。其核心思想便是，对于一个给定的物体或者风格，去学习一个全新的词嵌入向量，并绑定一个符号比如 S*，为其分配一个新的 token_id。这样，每次文生图的时候只需要带上 S*，就能生成我们想要定制化的物体或者风格。

**重点在于，这个过程不需要对整个AI模型进行调整或重新训练，只是在它的词汇库中添加了一个新的词汇而已。**这样做的好处是可以保留AI模型原有的理解能力和创造力，同时又增加了一些个性化的元素。

需要3到5张展示特定概念（比如你的猫）的图片来训练AI。

论文地址：https://arxiv.org/pdf/2208.01618.pdf

Textual Inversion 的训练其实挺简单的，分两步走。

首先，你得给你想要的关键词，比如 S*，配一个新的“身份证”，我们叫它 token_id。然后，给这个新“身份证”初始化一个词嵌入向量。举个例子，如果原来的词库里已经有 20000 个词了，那 S* 的“身份证”就是第 20001 号。

接下来，找个已经训练好的 AI 画画模型，比如 Stable Diffusion 或者 DALL-E 3。在训练的时候，CLIP 文本编码器和 UNet 这些模型的“技能”都不变，就固定在那里。然后，用你提供的 3-5 张图片，按照模型的标准训练方法来训练。这个过程中，只有你给 S* 新初始化的那个词嵌入向量在“学习”。

训练完了，你就得到了一个定制化的词嵌入向量，它能帮你表达出训练图片里的物体或者风格。

这里有两点要注意： 一是这个词嵌入向量是和你选的 AI 绘画模型绑在一起的； 二是 Textual Inversion 还可以同时优化好几个新增的词嵌入向量。

如果你想更深入了解，可以点击链接去看看 Textual Inversion 的训练代码。

https://github.com/huggingface/diffusers/blob/main/examples/textual_inversion/textual_inversion.py

DreamBooth

DreamBooth 论文：https://arxiv.org/abs/2208.12242

Textual Inversion 在训练时，能学习的参数并不多，大概只有512或768个浮点数那么点儿。所以，它在定制化生成方面的能力就有点儿局限。在市场上，如果你想要更个性化的生成效果，大家通常更喜欢用 DreamBooth。

说到 DreamBooth 这个名字，其实挺有意思的。Google 团队打了个比方，说它就像一个摄影棚，你进去拍照后，不仅仅是一张公开可用的图片，还能把你拍的东西放到你梦想的任何场景里。用 DreamBooth 的时候，你上传3～5张图，再加个新的描述词，就能定制一个物体或者一种风格了。后面我放了些图片，你可以看看 DreamBooth 的生成效果有多酷。

我来给你讲讲这个方案是怎么一回事吧。其实步骤很简单，就两步。

首先，你得挑个不常见的词作为关键词，比如说“CSS”。这个和Textual Inversion有点儿不同，那里的词得绑定全新的词嵌入向量，但这里不用。

然后呢，你得找个已经训练好的AI绘画模型，比如Stable Diffusion或者DALL-E 3。在训练过程中，UNet模型的权重是要打开的。接下来，就按照对应的AI绘画模型的标准训练方法，在你给的3-5张图片上训练一下。

你可能会有个疑问：就用这么几张图去调整UNet那么多参数，模型会不会变得太“偏执”了？比如说，如果你用了3-5张自己小狗的照片去训练，那模型是不是就只会画这一种样式的小狗了？没错，确实会有这个问题。这样训练出来的模型，不管你的prompt是“a CSS dog”还是“a dog”，它都只会画出你训练用的那种小狗。

不过别担心，论文作者已经想到了解决办法，那就是保留损失（preservation loss）。具体操作就是，先用AI绘画模型生成一批小狗的图片，然后在训练DreamBooth的时候，也把这批图像加进去一起训练。这样一来，模型就不会那么“偏执”了。

哦对了，训练DreamBooth的时候，CLIP文本编码器也是可以打开的。实践证明，这样做可以让定制化图像生成的效果更好。

总的来说，Textual Inversion和DreamBooth的区别就在于：前者只是优化一两个词嵌入向量，而后者则是对整个AI绘画模型进行微调。

如果你想更深入了解，可以点击链接去看看 DreamBooth 的训练代码。

https://github.com/huggingface/diffusers/blob/main/examples/dreambooth/train_dreambooth.py