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。
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。
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。
卡通化数据集的创建流程如下:
使用ChatGPT生成50个同义句来表达"将图像卡通化"这一指令。
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。
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。
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:
实验发现,第一种策略能够更快地适应新数据集。
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。
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:
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。
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:
扩大数据集规模会如何影响生成样本的质量?
对于更广泛的任务混合,增加训练时间会产生什么影响?
这种方法如何推广到更广泛的常见"指令微调"任务?
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?
使用ControlNet训练设置会带来什么结果?
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。
一键生 成PPT和Word,让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。
深度推理能力全新升级,全面对标OpenAI o1
科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。
一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。
字节跳动发布的AI编程神器IDE
Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。
AI助力,做PPT更简单!
咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。
选题、配图、成文,一站式创作,让内容运营更高效
讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。
专业的AI公文写作平台,公文写作神器
AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。
OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。
高分辨率纹理 3D 资产生成
Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。
一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。
3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号