Instruction-tuned Stable Diffusion: 通过InstructPix2Pix实现更精准的图像处理

RayRay
Stable Diffusion指令微调图像处理卡通化低级图像处理Github开源项目

instruction-tuned-sd

Instruction-tuned Stable Diffusion:通过InstructPix2Pix实现更精准的图像处理

近年来,大型语言模型(LLM)在遵循指令完成任务方面取得了令人瞩目的进展。受此启发,研究人员开始探索如何将这种指令跟随能力应用到图像生成和编辑领域。Hugging Face团队基于FLAN和InstructPix2Pix的思路,提出了一种新的方法来对Stable Diffusion进行指令微调,使其能够更好地理解和执行特定的图像处理指令。

项目背景与动机

指令微调是一种有监督的方法,旨在教会语言模型遵循指令来解决任务。这一概念最初由Google在FLAN(Fine-tuned Language Models Are Zero-Shot Learners)论文中提出。近期的Alpaca和FLAN V2等工作进一步展示了指令微调对各种任务的巨大效益。

另一方面,InstructPix2Pix引入了让Stable Diffusion遵循用户指令对输入图像进行编辑的想法。Hugging Face团队的这项工作部分受到FLAN系列工作的启发,部分受到InstructPix2Pix的影响。他们希望探索是否可以用特定指令和输入图像来提示Stable Diffusion,使其按需要处理图像。

指令微调Stable Diffusion示意图

他们的主要思路是首先创建一个指令提示数据集,然后进行InstructPix2Pix风格的训练。最终目标是让Stable Diffusion更好地遵循涉及图像转换相关操作的特定指令。

数据准备

数据准备过程受到FLAN的启发。团队针对卡通化和低级图像处理两个任务准备了数据集。

卡通化数据集

卡通化数据集的创建流程如下:

  1. 使用ChatGPT生成50个同义句来表达"将图像卡通化"这一指令。

  2. 从Imagenette数据集中随机选取5000个样本,使用预训练的Whitebox CartoonGAN模型生成这些图像的卡通版本作为标签。

  3. 将原始图像、指令和卡通化后的图像组合成训练样本。

最终的卡通化数据集可在Hugging Face数据集库中找到。

低级图像处理数据集

低级图像处理数据集涵盖了去雨、去噪、低光照增强和去模糊四个常见任务。团队从多个公开数据集中采样,并为每个任务添加了相应的指令提示。最终数据集可在这里获取。

这种混合多任务的设置与FLAN的思路相似,有助于训练出一个能够同时处理多种低级图像处理任务的单一模型。这与传统的低级图像处理方法有所不同,后者通常需要为每个任务单独训练模型。

训练实验与结果

团队基于InstructPix2Pix训练脚本进行了实验。他们探索了两种训练策略:

  1. 从现有的InstructPix2Pix检查点微调
  2. 使用InstructPix2Pix训练方法从Stable Diffusion检查点开始训练

实验发现,第一种策略能够更快地适应新数据集。

卡通化结果

团队将指令微调后的卡通化模型与预训练的InstructPix2Pix模型和CartoonGAN模型进行了比较。结果显示,指令微调模型能够更忠实地匹配CartoonGAN的输出效果。

卡通化结果比较

低级图像处理结果

在去雨任务上,指令微调模型相比预训练的InstructPix2Pix模型展现出了更令人信服的结果:

去雨结果比较

然而,在低光照增强和去模糊等任务上,模型的表现仍有待改进。这可能是由于这些任务的训练样本不足所致。

潜在应用与局限性

在图像编辑领域,专业人士的意图(要执行的任务)与编辑工具中需要执行的具体操作之间存在脱节。能够将自然语言目标轻松转化为低级图像编辑操作将带来无缝的用户体验。InstructPix2Pix等机制的引入,让我们离这一理想更近了一步。

然而,仍然存在一些挑战:

  1. 这些系统需要能处理大尺寸、高分辨率的原始图像。
  2. 扩散模型往往会在图像空间中发明或重新解释指令来执行修改。对于现实的图像编辑应用来说,这是不可接受的。

开放问题

  1. 扩大数据集规模会如何影响生成样本的质量?

  2. 对于更广泛的任务混合,增加训练时间会产生什么影响?

  3. 这种方法如何推广到更广泛的常见"指令微调"任务?

  4. 在训练过程中动态使用同一指令的不同变体是否有助于提高性能?

  5. 使用ControlNet训练设置会带来什么结果?

结论

本文介绍了Hugging Face团队在Stable Diffusion指令微调方面的探索。虽然预训练的InstructPix2Pix模型擅长遵循一般的图像编辑指令,但在面对更具体的指令时可能会失效。为了缓解这一问题,团队讨论了如何准备数据集以进一步微调InstructPix2Pix,并展示了初步结果。

尽管结果仍有提升空间,但这项工作为研究人员提供了一个基础,希望能激励他们进一步探索上述开放问题。通过不断改进,我们有望实现更智能、更精准的AI辅助图像处理系统,为创作者和设计师提供更强大的工具。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多