MultiBooth – 清华联合 Meta 等机构推出的多概念图像生成方法

MultiBooth是什么

MultiBooth是清华大学深圳国际研究生院、 Meta、香港科技大学等机构推出的多概念图像生成方法，能从文本中生成包含多个用户指定概念的图像。MultiBooth将生成过程分为两个阶段：单概念学习和多概念整合。在单概念学习阶段，基于多模态图像编码器和自适应概念归一化技术，为每个概念学习一个简洁且具有区分性的嵌入表示，基于LoRA技术提高概念保真度。在多概念整合阶段，用区域定制化模块（RCM），根据边界框和区域提示在指定区域内生成各个概念，基于基础提示确保不同概念之间的准确交互。MultiBooth在保持高图像保真度和文本对齐能力的同时，实现高效的多概念图像生成，且在训练和推理阶段具有较低的成本。

MultiBooth的主要功能

• 多概念图像生成：根据用户提供的文本提示，生成包含多个指定概念的图像。
• 高保真度和文本对齐：生成的图像具有高保真度，清晰地展示出各个概念的细节特征，且与文本提示具有高度的对齐性，确保图像内容与用户意图一致。
• 高效推理：在多概念生成过程中，推理成本较低，不会随着概念数量的增加而显著增加推理时间，让多概念图像生成更加高效。
• 插件式生成：支持用插件式的方式组合不同的单概念模块，进行多概念图像生成，无需针对每个概念组合重新训练模型，提高模型的灵活性和可扩展性。

MultiBooth的技术原理

• 单概念学习阶段：
  • 多模态图像编码器：用QFormer编码器，输入图像和概念名称（如“dog”），基于自注意力层和交叉注意力层的交互，生成与文本对齐的定制化嵌入表示，为每个概念学习一个简洁且具有区分性的嵌入。
  • 自适应概念归一化（ACN）：调整定制化嵌入的L2范数，与提示中的其他词嵌入具有可比性，解决嵌入空间中的域间差异问题，提高多概念生成的能力。
  • 高效概念编码技术：用LoRA技术对U-Net中的注意力层进行低秩分解，避免因微调U-Net导致的语言漂移，提高单概念学习的概念保真度，减少额外的参数存储需求。
• 多概念整合阶段：
  • 区域定制化模块（RCM）：在交叉注意力层中，根据用户定义或自动化过程得到的边界框和区域提示，将图像特征划分为不同区域，每个区域由相应的单概念模块和提示引导生成概念，基于基础提示确保不同区域概念之间的交互，实现多个概念在同一图像中的准确融合。
  • 并行生成与交互：在RCM中，多个单概念模块能同时进行生成，基于交叉注意力机制实现概念之间的并行交互，避免概念融合和推理成本的增加。

MultiBooth的项目地址

MultiBooth的应用场景

• 娱乐与创意产业：为冒险游戏快速生成神秘古墓场景图，展示内部机关和壁画，丰富游戏探索元素。
• 广告与营销：制作化妆品面膜广告海报，展示年轻女性使用后面部肌肤焕然一新，传达产品功效和品牌定位。
• 教育与学习：生成中世纪城堡图像，清晰展示塔楼和城墙结构，帮助学生理解城堡特点，加深历史知识记忆。
• 电子商务：为夏季连衣裙生成搭配图，展示碎花连衣裙搭配草编凉鞋和草帽的效果，吸引顾客购买。
• 科研与工程：生成新型纳米材料结构示意图，展示其超轻重量和高强度特性，帮助公众理解科研成果创新性。