What the DAAM: Interpreting Stable Diffusion Using Cross Attention

要約

大規模な拡散ニューラル ネットワークは、テキストから画像への生成における重要なマイルストーンであり、人間による評価で実際の写真と同様のパフォーマンスを発揮するものもあります。
ただし、主に独自のクローズドソースの性質により、説明可能性と解釈可能性の分析が不足しており、理解が不十分なままです。
この論文では、テキストから画像への拡散モデルに非常に必要な光を当てるために、最近オープンソース化された大規模な拡散モデルである Stable Diffusion でテキスト画像属性分析を実行します。
ピクセルレベルのアトリビューション マップを作成するために、DAAM を提案します。DAAM は、潜在的なノイズ除去サブネットワーク内のクロスアテンション アクティベーションのアップスケーリングと集約に基づく新しい方法です。
教師ありセグメンテーション モデルと比較して、独自に生成された画像で教師なしインスタンス セグメンテーションの品質を評価することにより、その正確性をサポートします。
DAAM が COCO キャプション生成画像で強力に機能し、61.0 の平均精度 (AP) を達成し、51.5 の AP で、完全な語彙セグメンテーションで教師ありモデルよりも優れていることを示します。
さらに、句読点や接続詞などの特定の品詞が、生成された画像に最も影響を与えることがわかりました。これは、以前の文献と一致していますが、決定詞と数字は最も少なく、計算能力が低いことを示唆しています。
私たちの知る限りでは、大規模なテキストから画像への拡散モデルの単語-ピクセル属性を提案し、研究したのは私たちが初めてです。
私たちのコードとデータは https://github.com/castorini/daam にあります

要約(オリジナル)

Large-scale diffusion neural networks represent a substantial milestone in text-to-image generation, with some performing similar to real photographs in human evaluation. However, they remain poorly understood, lacking explainability and interpretability analyses, largely due to their proprietary, closed-source nature. In this paper, to shine some much-needed light on text-to-image diffusion models, we perform a text-image attribution analysis on Stable Diffusion, a recently open-sourced large diffusion model. To produce pixel-level attribution maps, we propose DAAM, a novel method based on upscaling and aggregating cross-attention activations in the latent denoising subnetwork. We support its correctness by evaluating its unsupervised instance segmentation quality on its own generated imagery, compared to supervised segmentation models. We show that DAAM performs strongly on COCO caption-generated images, achieving an average precision (AP) of 61.0, and it outperforms supervised models on full-vocabulary segmentation, for an AP of 51.5. We further find that certain parts of speech, like punctuation and conjunctions, influence the generated imagery most, which agrees with the prior literature, while determiners and numerals the least, suggesting poor numeracy. To our knowledge, we are the first to propose and study word–pixel attribution for large-scale text-to-image diffusion models. Our code and data are at https://github.com/castorini/daam

arxiv情報

提供元, 利用サービス

arxiv.jp, Google