Attend-and-Excite: Attention-Based Semantic Guidance for Text-to-Image Diffusion Models

要約

最近のテキストから画像への生成モデルは、ターゲット テキスト プロンプトによって導かれる多様で創造的な画像を生成する比類のない能力を実証しています。
革新的ではありますが、現在の最先端の拡散モデルは、指定されたテキスト プロンプトでセマンティクスを完全に伝える画像を生成できない場合があります。
公開されている Stable Diffusion モデルを分析し、モデルが入力プロンプトから 1 つ以上のサブジェクトを生成できない壊滅的な無視の存在を評価します。
さらに、場合によっては、モデルが属性 (色など) を対応するサブジェクトに正しくバインドできない場合もあります。
これらの失敗のケースを軽減するために、Generative Semantic Nursing (GSN) の概念を導入します。ここでは、生成された画像の忠実度を向上させるために、推論時にその場で生成プロセスに介入しようとします。
Attend-and-Excite と呼ばれる GSN の注意ベースの定式化を使用して、モデルを導き、クロスアテンション ユニットを改良して、テキスト プロンプト内のすべてのサブジェクト トークンに注意を向け、それらのアクティベーションを強化 (または興奮) させ、モデルが
テキスト プロンプトに記述されているすべての件名を生成します。
私たちのアプローチを代替ア​​プローチと比較し、それがさまざまなテキスト プロンプトにわたって望ましい概念をより忠実に伝えることを示します。

要約(オリジナル)

Recent text-to-image generative models have demonstrated an unparalleled ability to generate diverse and creative imagery guided by a target text prompt. While revolutionary, current state-of-the-art diffusion models may still fail in generating images that fully convey the semantics in the given text prompt. We analyze the publicly available Stable Diffusion model and assess the existence of catastrophic neglect, where the model fails to generate one or more of the subjects from the input prompt. Moreover, we find that in some cases the model also fails to correctly bind attributes (e.g., colors) to their corresponding subjects. To help mitigate these failure cases, we introduce the concept of Generative Semantic Nursing (GSN), where we seek to intervene in the generative process on the fly during inference time to improve the faithfulness of the generated images. Using an attention-based formulation of GSN, dubbed Attend-and-Excite, we guide the model to refine the cross-attention units to attend to all subject tokens in the text prompt and strengthen – or excite – their activations, encouraging the model to generate all subjects described in the text prompt. We compare our approach to alternative approaches and demonstrate that it conveys the desired concepts more faithfully across a range of text prompts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google