.png){kind=icon}
返回
REED-VAE: RE-Encode Decode Training for Iterative Image Editing with Diffusion Models
.png){kind=icon}
OA
AI
DOI：10.1111/cgf.70020.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
虽然潜在扩散模型实现了令人印象深刻的图像编辑效果，但其应用于同一图像的迭代编辑时受到严重限制。当尝试使用当前模型进行连续编辑操作时，由于像素空间和潜在空间之间的重复转换，会导致伪影和噪声的累积。一些方法试图通过在潜在空间内执行整个编辑链来解决这个问题，但为此牺牲了灵活性，仅支持有限且预定的扩散编辑操作。我们提出了一种针对变分自编码器（VAEs）的重编码解码（REED）训练方案，该方案即使在多次迭代后也能促进图像质量的保持。我们的工作实现了多方法迭代图像编辑：用户可以执行多种迭代编辑操作，每一步操作都基于前一步的输出，同时结合基于扩散的操作和传统编辑技术。我们展示了REED-VAE在多种图像编辑场景中的优势，包括基于文本和基于蒙版的编辑框架。此外，我们展示了REED-VAE如何提升图像的整体可编辑性，增加了成功且精确编辑操作的可能性。我们希望这项工作能为新提出的“多方法图像编辑”任务提供一个基准。
Keyword:
center dot Computing methodologies -> Computer graphics
Artificial intelligence
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:
571
被引数:
1.1W
机构
引用论文
.png){kind=icon}
分享收藏Deep Image Fingerprint: Towards Low Budget Synthetic Image Detection and Model Lineage Analysis深度图像指纹：面向低预算合成图像检测与模型谱系分析
OAAI
OAAI分享收藏分享收藏
查看更多内容