返回
Differential Diffusion: Giving Each Pixel Its Strength
DOI:10.1111/cgf.70040.png)
摘要
En 中文
扩散模型已经彻底改变了图像生成和编辑领域,在条件性和非条件性图像合成方面取得了最先进的成果。尽管现有技术能够使用户控制图像编辑中变化的程度,但可控性仅限于整个编辑区域的全局变化。本文介绍了一种新颖的框架,能够实现每像素或每图像区域变化量的定制。我们的框架可以集成到任何现有的扩散模型中,为其赋予这种能力。这种精细控制开辟了多样化的新编辑功能,例如控制单个对象的修改程度,或引入渐进的空间变化的能力。此外,我们展示了该框架在软填充(soft-inpainting)方面的有效性——即在完成图像部分区域的同时,微调周围区域以确保无缝集成。另外,我们引入了一种新工具,用于探索不同变化量的影响。我们的框架仅在推理阶段运行,无需模型训练或微调。我们使用当前公开的最先进的模型展示了我们的方法,并通过定性和定量比较以及用户研究进行了验证。我们的代码已发布并集成到多个平台。
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.9
论文数:
566
被引数:
1.1W
机构
引用论文
A Latent Space of Stochastic Diffusion Models for Zero-Shot Image Editing and Guidance零样本图像编辑与引导的随机扩散模型潜在空间

