新加坡国立大学的研究团队提出了一种名为OminiControl的新型框架，它旨在为预训练的DiT模型（FLUX模型）提供最小化和通用的控制。OminiControl通过整合图像条件，使得DiT模型能够处理各种图像生成任务，包括主题驱动生成和空间对齐任务（如边缘、深度等）。例如，你想要生成一张在咖啡馆里拿着啤酒的女孩的图片，或者想要对一张模糊的照片进行去模糊处理，OminiControl框架都能够根据这些具体的图像条件来生成或修改图片。
- GitHub：https://github.com/Yuanshi9815/OminiControl
- 模型：https://huggingface.co/Yuanshi/OminiControl
- Demo：https://huggingface.co/spaces/Yuanshi/OminiControl
核心特点：
- 高效参数重用：OminiControl仅需增加0.1%的额外参数即可实现图像条件的有效集成。这种方法不仅减少了模型的复杂性和计算成本，还提高了模型的泛化能力和性能。
- 广泛的任务支持：OminiControl能够以统一的方式处理多种图像条件任务，包括主体驱动的生成和空间对齐的条件（如边缘、深度等）。这种灵活性使得OminiControl在各种应用场景中都能表现出色。
- 自监督训练：OminiControl的能力是通过在DiT自身生成的图像上进行训练实现的，尤其是对于主体驱动的生成任务，这种方法能够显著提升模型的表现。
主要功能：
- 图像条件编码：将图像条件有效地编码并整合到DiT模型中。
- 多模态注意力处理：通过灵活的多模态注意力处理器处理不同的图像条件。
- 参数高效：与依赖于复杂架构的额外编码器模块的方法不同，OminiControl以极少的额外参数实现图像条件的整合。
主要特点：
- 统一框架：能够在一个统一的框架内处理空间对齐和非空间对齐的控制任务。
- 参数效率：仅需要极少的额外参数（0.1%）就能实现图像条件的整合。
- 性能优越：在多种图像生成任务中，OminiControl的性能超过了现有的基于UNet和DiT适应模型。
工作原理：
OminiControl通过以下步骤工作：
- 参数重用机制：利用模型已有的VAE编码器处理条件图像，将其投影到与噪声图像标记相同的潜在空间中。
- 特征增强：通过可学习的位置嵌入增强编码的特征，并将其与潜在噪声一起整合到去噪网络中。
- 多模态注意力交互：在DiT的变换器块中，条件和生成标记之间直接进行多模态注意力交互，促进信息交换和控制信号传播。
优势与贡献
- 优于现有模型：广泛的评估结果显示，OminiControl在主体驱动的和空间对齐的条件生成任务上均优于现有的基于UNet和DiT适配的模型。
- 数据集发布：研究团队还发布了名为Subjects200K的数据集，该数据集包含超过200,000张身份一致的图像，以及一个高效的数据合成管道。这些资源的发布将进一步推动主体一致生成研究的发展。
评论0