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

讯飞智文

讯飞智文

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。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

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。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

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。

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。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

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。

讯飞绘文

讯飞绘文

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。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

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-python

openai-agents-python

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。

Hunyuan3D-2

Hunyuan3D-2

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。

3FS

3FS

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。

下拉加载更多