ECCV`24 | 高保真目标修复新SOTA！复旦&智象开源CAT-Diffusion，语义视觉双一致

文章主旨：

提出了一种新型的级联Transformer-扩散模型（CAT-Diffusion）框架，通过语义预修复和高保真对象生成，优化文本引导的目标修复任务的视觉-语义对齐与生成质量。

关键要点：

• 单一U-Net难以满足文本提示与视觉对象的高质量对齐，且扩散模型采样空间复杂，难以控制对象生成。
• 提出语义修复器与目标修复扩散模型相结合的级联流程，分为语义预修复和对象生成两个阶段。
• 语义修复器通过CLIP特征空间进行目标语义预测，提升视觉-语义对齐；参考Adapter层进一步整合预测特征以实现可控生成。
• 实验表明，CAT-Diffusion在OpenImages-V6和MSCOCO数据集上的性能优于现有方法，生成对象语义一致性与视觉融合效果更优。
• 用户研究与定量评估展现CAT-Diffusion在视觉一致性和文本-对象对齐方面的显著优势，同时保持推理复杂度较低。

内容结构：

• 解决的问题:

  现有扩散模型在文本引导的目标修复任务中存在视觉-语义对齐不足及高保真度生成的可控性问题。

• 提出的方案:

  通过语义修复器进行目标语义特征的预修复，并结合参考Adapter层指导扩散模型生成，形成级联Transformer-扩散（CAT-Diffusion）框架。

• 技术实现:

  • 利用CLIP特征空间进行目标语义预修复，搭建基于Transformer的语义修复器。
  • 参考Adapter层通过交叉注意力机制整合修复特征至目标修复扩散模型。
  • 采用分割mask与边界框mask进行训练，优化视觉一致性与文本提示对齐。

• 实验与评估:

  • 在OpenImages-V6和MSCOCO数据集上进行定量评估与定性比较，表现优于现有方法。
  • 用户研究验证了CAT-Diffusion的视觉一致性与文本-对象对齐的优越性。
  • 消融实验分析语义修复器和参考Adapter层对模型性能的贡献。

• 结论与影响:

  CAT-Diffusion通过级联流程实现了高保真对象生成与视觉-语义对齐，具有潜在的广泛应用，但需警惕生成内容滥用的风险。

文章总结：

CAT-Diffusion框架通过创新性的级联设计提升了目标修复任务的质量与可控性，为文本引导的图像生成领域提供了技术突破，同时呼吁关注生成内容的伦理问题。

小学老师就告诉我要学好语数外，诚不我欺也！

了解更多

AI生成未来

查看原文：ECCV`24 | 高保真目标修复新SOTA！复旦&智象开源CAT-Diffusion，语义视觉双一致

文章来源：

AI生成未来

扫码关注公众号