玩币族移动版

原文来源：量子位

图片来源：由无界 AI? 生成

“新·AI绘画细节控制大师”ControlNet-XS来啦！

敲重点的是参数只要原始ControlNet的1%。

就能做到蛋糕口味随意切换：

改变一个人的行头也轻轻松松：

上图同款，身形不变艺术氛围感拉满：

自然风光也能hou住，一年四季任意切换：

还有这猫头鹰，直接从活物变雕塑：

参数很小的情况下，能做到这样的效果，网友也是直呼绝绝子，并迫不及待想看论文。

ControlNet-XS由海德堡大学计算机视觉实验室研发，目前相关论文、预训练模型还未公布。

但研究人员表示ControlNet-XSFID分数明显优于ControlNet。

且控制Stable Diffusion-XL和Stable Diffusion 2.1的代码将在不久后开源。

先来康康对StableDiffusion-XL的控制。

研究人员在评估了不同大小的控制模型后发现，控制模型甚至不必和2.6B参数的StableDiffusion-XL基础网络大小一样。

400M、104M和48M参数的ControlNet-XS控制也很明显。

深度图给出了更为直观的展示，根据图像内容的距离、深度，深度图呈现出准确的颜色深浅度：

要注意的是，这里研究人员设置的每行seed值不同，每列seed值相同。

此外，还有Canny边缘检测图，物体的边界、轮廓都能清晰地展现出来：

对StableDiffusion的控制，研究人员则是评估了491M、55M和14M参数的三个版本的ControlNet-XS。

结果表明1.6%的参数（865M）也能够可靠地控制生成过程。

那这是如何做到的呢？

原始ControlNet是StableDiffusion基础模型（base model）中U-Net编码器的副本，所以接收与基础模型相同的输入，并带有额外的引导信号，比如说边缘图。

然后，经过训练的ControlNet的中间输出被添加到基础模型的解码器层的输入中。在ControlNet的整个训练过程中，基础模型的权重保持冻结状态。

ControlNet-XS的研究者们认为这种方法存在问题，ControlNet不必这么庞大。

首先是Stable Diffusion最终输出图像，是在一系列步骤中迭代生成的。每个步骤会在U-Net网络结构的编码器（Encoder）和解码器（Decoder）两部分中执行。

每次迭代基础模型和控制模型的输入是前一个步骤生成的图像。控制模型还接收一个控制图像。

问题在于，在编码器阶段这两个模型都独立运行，而控制模型的反馈只在基础模型的解码阶段输入。

总之，结果就是一个延迟的校正/控制机制。

也就是说ControlNet必须执行两项任务：一边校正/控制，一边还要提前预测基本模型的编码器将犯哪些“错误”。

通过暗示图像生成和控制需要相似的模型容量，自然而然地可以用基础模型的权重初始化ControlNet的权重，然后进行微调。

而对于ControlNet-XS，研究人员表示从设计上就与基础模型不同，是从零开始训练ControlNet-XS权重，解决了延迟反馈的问题。

如上图所示，方法是从基础模型的编码器添加连接到控制编码器（A），这样校正过程可以更快地适应基础模型的生成过程。但这并不能完全消除延迟，因为基础模型的编码器仍然没有受到引导。

因此，研究人员从ControlNet-XS添加额外的连接到基础模型编码器，直接影响整个生成过程（B）。

此外，他们还评估了在ControlNet设置中使用镜像解码架构是否有用（C）。

最终，研究人员在COCO2017验证集上，针对Canny边缘引导的三种不同变体（A、B、C）与原始的ControlNet进行了FID分数性能评估。

结果所有变体都有了显著提升，同时仅使用了原始ControlNet参数的一小部分。

研究人员又拿出了变体B，分别使用Canny边缘图和深度图引导，针对StableDiffusion2.1和StableDiffusion-XL分别训练了三种不同大小的模型。

所以下一步就等相关论文、代码以及预训练模型公布啦～

项目地址：https://vislearn.github.io/ControlNet-XS/