0. 筆者個人體會

最近文本到圖像的工作很火，生成的圖像也非常真實。但還有個問題，現有工作效率比較低，往往只能接受一次text指令，再修改就要重新輸入text重新生成，可能會影響原本的語義信息，這樣導出的圖像和最初圖像可能差距甚遠。

今天筆者將為大家分享一項最新開源的工作LEDITS++，可以一次輸入無限多的編輯指令，一次性生成真實圖像！而且LEDITS++是無參數方案，不需要微調和優化。不得不感慨AI發展之迅速，距離人們真實生活也越來越近了。

下面一起來閱讀一下這項工作，文末附論文和代碼鏈接~

1. 效果展示

先看一下具體效果，輸入具體指令就可以直接產生對應效果。PS要想在幾十秒內達到同等效果應該是有點困難。

LEDITS++很強調編輯前后的圖像一致性，也就是僅修改圖像的相關區域，保持原始圖像的語義信息。這里也推薦工坊推出的新課程《徹底搞懂視覺-慣性SLAM：VINS-Fusion原理精講與源碼剖析》。

代碼已經開源了，官方主頁也開放了交互式demo，感興趣的讀者可以上傳自己的圖像和文本指令嘗鮮一下效果。

2. 具體原理是什么？

LEDITS++可以分為三個部分：（1）有效的圖像反轉；（3）多功能文本編輯；（3）圖像變化的語義基礎。

我們知道擴散模型生成圖像是通過反轉采樣來進行的，重點是識別噪聲。LEDITS++從DDPM反演中提取特征，并提出一種有效的反演方法，大大減少所需的步驟，同時降低重建誤差。當將反向擴散過程公式化為SDE時，DDPM可以被視為一階SDE解算器。使用高階微分方程解算器可以更有效地解算，因此作者推導出一種新的更快技術------DPM-solver++反演。

在創建重建序列之后，可以通過一組編輯指令操縱噪聲來編輯圖像。根據有條件和無條件估計，作者分別設計了一個專門的引導項，既反映了編輯的方向，又最大化了對所需編輯效果的細粒度控制。

最后，LEDITS++還包括一個Mask項，由交叉注意層生成的Mask和噪聲估計導出的Mask取交集計算得到。Mask可以捕捉與編輯概念相關的圖像區域，對于多次編輯特別有效。這里也推薦工坊推出的新課程《徹底搞懂視覺-慣性SLAM：VINS-Fusion原理精講與源碼剖析》。

3. 和其他SOTA方法對比如何？

不同編輯方法的指令對齊和圖像相似度權衡的比較，側重CLIP得分(越高越好)與LPIPS相似度(越低越好)，也就是圖中越靠近左上角效果越好。