CustomNet

CustomNet

创新的物体定制与多视角生成扩散模型

CustomNet是一个创新的文本到图像扩散模型框架,专注于物体定制和多视角生成。该模型整合了3D新视角合成能力,实现物体空间位置和视角的灵活调整,同时保持物体身份。CustomNet无需测试时优化,可同时控制视角、位置和文本,在身份保持、多样性和协调性方面表现出色。这一技术为物体定制和图像生成领域开辟了新的可能性。

CustomNet文本生成图像对象定制视角控制深度学习Github开源项目

CustomNet:文本到图像扩散模型中的可变视角对象定制

🤗 HF演示arXiv项目主页


CustomNet的官方实现:文本到图像扩散模型中的可变视角对象定制(ACM MM 2024)

<div align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/9b073b79-6437-4a7b-a5a6-e68a42da3120.png" width="600px"/> </div>

介绍

将定制对象融入图像生成是文本到图像(T2I)生成中一个极具吸引力的特性。一些方法在测试时对每个对象单独微调T2I模型,这往往会导致过拟合和耗时。其他方法训练额外的编码器以高效提取对象视觉信息进行定制,但难以保持对象的身份特征。为解决这些局限性,我们提出了CustomNet,一个统一的基于编码器的对象定制框架,显式地将3D新视角合成能力整合到定制过程中。这种整合促进了空间位置和视角的调整,产生多样化的输出,同时有效保持对象的身份特征。为有效训练我们的模型,我们提出了一个数据集构建流程,以更好地处理真实世界的对象和复杂背景。此外,我们引入了精巧的设计,通过文本描述或用户定义的背景实现位置控制和灵活的背景控制。我们的方法无需测试时优化即可实现对象定制,同时提供对视角、位置和文本的控制。实验结果表明,我们的方法在身份保持、多样性和和谐性方面优于其他定制方法。

<div align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/8fa61c8d-a220-473f-99f9-1e14ad376954.png" width="600px"/> </div>

⚙️ 环境

conda create -n customnet python=3.10 -y
conda activate customnet
pip install -r requirements.txt

💫 推理

运行本地Gradio演示

  • 下载CustomNet权重customnet_v1.pth并将其放入./pretrain

  • 运行脚本:

      sh scripts/run_app.sh
    

🔥训练

准备数据集

  • 我们在examples/data中提供了仅包含图像的示例数据。

  • extralibs中克隆额外的仓库,并准备环境。

      cd extralibs
      git clone https://github.com/CASIA-IVA-Lab/FastSAM.git
      git clone https://github.com/salesforce/LAVIS.git
      git clone https://github.com/cvlab-columbia/zero123.git
    
  • 使用脚本创建数据集:

      sh scripts/process_data.sh
    

训练

  • 查看配置文件,并更新相关路径。

  • 使用脚本进行训练:

      sh scripts/process_data.sh
    

BibTeX

@misc{yuan2023customnet,
    title={CustomNet: Zero-shot Object Customization with Variable-Viewpoints in Text-to-Image Diffusion Models}, 
    author={Ziyang Yuan and Mingdeng Cao and Xintao Wang and Zhongang Qi and Chun Yuan and Ying Shan},
    year={2023},
    eprint={2310.19784},
    archivePrefix={arXiv},
    primaryClass={cs.CV}
}

编辑推荐精选

Manus

Manus

全面超越基准的 AI Agent助手

Manus 是一款通用人工智能代理平台,能够将您的创意和想法迅速转化为实际成果。无论是定制旅行规划、深入的数据分析,还是教育支持与商业决策,Manus 都能高效整合信息,提供精准解决方案。它以直观的交互体验和领先的技术,为用户开启了一个智慧驱动、轻松高效的新时代,让每个灵感都能得到完美落地。

飞书知识问答

飞书知识问答

飞书官方推出的AI知识库 上传word pdf即可部署AI私有知识库

基于DeepSeek R1大模型构建的知识管理系统,支持PDF、Word、PPT等常见文档格式解析,实现云端与本地数据的双向同步。系统具备实时网络检索能力,可自动关联外部信息源,通过语义理解技术处理结构化与非结构化数据。免费版本提供基础知识库搭建功能,适用于企业文档管理和个人学习资料整理场景。

Trae

Trae

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。

TraeAI IDE协作生产力转型热门AI工具
酷表ChatExcel

酷表ChatExcel

大模型驱动的Excel数据处理工具

基于大模型交互的表格处理系统,允许用户通过对话方式完成数据整理和可视化分析。系统采用机器学习算法解析用户指令,自动执行排序、公式计算和数据透视等操作,支持多种文件格式导入导出。数据处理响应速度保持在0.8秒以内,支持超过100万行数据的即时分析。

使用教程AI工具酷表ChatExcelAI智能客服AI营销产品
DeepEP

DeepEP

DeepSeek开源的专家并行通信优化框架

DeepEP是一个专为大规模分布式计算设计的通信库,重点解决专家并行模式中的通信瓶颈问题。其核心架构采用分层拓扑感知技术,能够自动识别节点间物理连接关系,优化数据传输路径。通过实现动态路由选择与负载均衡机制,系统在千卡级计算集群中维持稳定的低延迟特性,同时兼容主流深度学习框架的通信接口。

DeepSeek

DeepSeek

全球领先开源大模型,高效智能助手

DeepSeek是一家幻方量化创办的专注于通用人工智能的中国科技公司,主攻大模型研发与应用。DeepSeek-R1是开源的推理模型,擅长处理复杂任务且可免费商用。

KnowS

KnowS

AI医学搜索引擎 整合4000万+实时更新的全球医学文献

医学领域专用搜索引擎整合4000万+实时更新的全球医学文献,通过自主研发AI模型实现精准知识检索。系统每日更新指南、中英文文献及会议资料,搜索准确率较传统工具提升80%,同时将大模型幻觉率控制在8%以下。支持临床建议生成、文献深度解析、学术报告制作等全流程科研辅助,典型用户反馈显示每周可节省医疗工作者70%时间。

Windsurf Wave 3

Windsurf Wave 3

Windsurf Editor推出第三次重大更新Wave 3

新增模型上下文协议支持与智能编辑功能。本次更新包含五项核心改进:支持接入MCP协议扩展工具生态,Tab键智能跳转提升编码效率,Turbo模式实现自动化终端操作,图片拖拽功能优化多模态交互,以及面向付费用户的个性化图标定制。系统同步集成DeepSeek、Gemini等新模型,并通过信用点数机制实现差异化的资源调配。

AI IDE
腾讯元宝

腾讯元宝

腾讯自研的混元大模型AI助手

腾讯元宝是腾讯基于自研的混元大模型推出的一款多功能AI应用,旨在通过人工智能技术提升用户在写作、绘画、翻译、编程、搜索、阅读总结等多个领域的工作与生活效率。

AI 办公助手AI对话AI助手AI工具腾讯元宝智能体热门
Grok3

Grok3

埃隆·马斯克旗下的人工智能公司 xAI 推出的第三代大规模语言模型

Grok3 是由埃隆·马斯克旗下的人工智能公司 xAI 推出的第三代大规模语言模型,常被马斯克称为“地球上最聪明的 AI”。它不仅是在前代产品 Grok 1 和 Grok 2 基础上的一次飞跃,还在多个关键技术上实现了创新突破。

下拉加载更多