HiCo: Hierarchical Controllable Diffusion Model for Layout-to-image Generation

要約

レイアウトから画像を生成するタスクには、オブジェクトのキャプションとその空間的位置に基づいて画像を合成することが含まれます。
既存の方法は、オブジェクトの欠落、一貫性のない照明、競合するビュー角度などのよくある悪いケースなど、複雑なレイアウトの生成において依然として困難を抱えています。これらの問題に効果的に対処するために、\textbf{Hi}erarchical \textbf{Co}ntrollable (HiCo) を提案します。
オブジェクト分離可能な条件分岐構造を特徴とする、レイアウトから画像への生成のための拡散モデル。
私たちの重要な洞察は、レイアウトの階層モデリングを通じて空間のもつれの解消を達成することです。
マルチブランチ構造を使用して階層を表現し、それらを融合モジュールに集約します。
自然シーンにおける多目的の制御可能なレイアウト生成のパフォーマンスを評価するために、GRIT-20M データセットから派生し、手動でクリーニングされた HiCo-7K ベンチマークを導入します。
https://github.com/360CVGroup/HiCo_T2I。

要約(オリジナル)

The task of layout-to-image generation involves synthesizing images based on the captions of objects and their spatial positions. Existing methods still struggle in complex layout generation, where common bad cases include object missing, inconsistent lighting, conflicting view angles, etc. To effectively address these issues, we propose a \textbf{Hi}erarchical \textbf{Co}ntrollable (HiCo) diffusion model for layout-to-image generation, featuring object seperable conditioning branch structure. Our key insight is to achieve spatial disentanglement through hierarchical modeling of layouts. We use a multi branch structure to represent hierarchy and aggregate them in fusion module. To evaluate the performance of multi-objective controllable layout generation in natural scenes, we introduce the HiCo-7K benchmark, derived from the GRIT-20M dataset and manually cleaned. https://github.com/360CVGroup/HiCo_T2I.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google