作者：新智元
谷歌StyleDrop一出，瞬間在網上刷屏了。
給定梵高的星空，AI化身梵高大師，對這種抽像風格頂級理解後，做出無數幅類似的畫作。
再來一張卡通風，想要繪製的物體呆萌了許多。
甚至，它還能精準把控細節，設計出原風格的logo。
StyleDrop的魅力在於，只需要一張圖作為參考，無論多麼複雜的藝術風格，都能解構再复刻。
網友紛紛表示，又是淘汰設計師的那種AI工具。
StyleDrop爆火研究便是來自谷歌研究團隊最新出品。
論文地址：https://arxiv.org/pdf/2306.00983.pdf
現在，有了StyleDrop這樣的工具，不但可以更可控地繪畫，還可以完成之前難以想像的精細工作，比如繪製logo。
就連英偉達科學家將其稱為「現象級」成果。
「定制」大師
論文作者介紹道，StyleDrop的靈感來源Eyedropper（吸色/取色工具）。
同樣，StyleDrop同樣希望大家可以快速、毫不費力地從單個/少數參考圖像中「挑選」樣式，以生成該樣式的圖像。
一隻樹懶能夠有18種風格：
一隻熊貓有24種風格：
小朋友畫的水彩畫，StyleDrop完美把控，甚至連紙張的褶皺都還原出來了。
不得不說，太強了。
還有StyleDrop參考不同風格對英文字母的設計：
同樣是梵高風的字母。
還有線條畫。線條畫是對圖像的高度抽象，對畫面生成構成合理性要求非常高，過去的方法一直很難成功。
原圖中奶酪陰影的筆觸還原到每種圖片的物體上。
參考安卓LOGO創作。
此外，研究人員還拓展了StyleDrop的能力，不僅能定制風格，結合DreamBooth，還能定制內容。
比如，還是梵高風，給小柯基生成類似風格的畫作：
再來一個，下面這只柯基有種埃及金字塔上的「獅身人面像」的感覺。
如何工作？
StyleDrop基於Muse構建，由兩個關鍵部分組成：
一個是生成視覺Transformer的參數有效微調，另一個是帶反饋的迭代訓練。
之後，研究人員再從兩個微調模型中合成圖像。
Muse是一種基於掩碼生成圖像Transformer最新的文本到圖像的合成模型。它包含兩個用於基礎圖像生成(256 × 256)和超分辨率(512 × 512或1024 × 1024)的合成模塊。
每個模塊都由一個文本編碼器T，一個transformer G，一個採樣器S，一個圖像編碼器E和解碼器D組成。
T將文本提示t∈T映射到連續嵌入空間E。 G處理文本嵌入e∈E以生成視覺token序列的對數l∈L。 S通過迭代解碼從對數中提取視覺token序列v∈V，該迭代解碼運行幾步的transformer推理，條件是文本嵌入e和從前面步驟解碼的視覺token。
最後，D將離散token序列映射到像素空間I。總的來說，給定一個文本提示t，圖像I的合成如下：
圖2是一個簡化了的Muse transformer層的架構，它進行了部分修改，為的是支持參數高效微調（PEFT）與適配器。
使用L層的transformer處理在文本嵌入e的條件下以綠色顯示的視覺token序列。學習參數θ被用於構建適配器調優的權重。
為了訓練θ，在許多情況下，研究人員可能只給出圖片作為風格參考。
研究人員需要手動附加文本提示。他們提出了一個簡單的、模板化的方法來構建文本提示，包括對內容的描述，後面跟著描述風格的短語。
例如，研究人員在表1中用「貓」描述一個對象，並附加「水彩畫」作為風格描述。
在文本提示中包含內容和風格的描述至關重要，因為它有助於從風格中分離出內容，這是研究人員的主要目標。
圖3則是帶反饋的迭代訓練。
當在單一風格參考圖像（橙色框）上進行訓練時，StyleDrop生成的一些圖像可能會展示出從風格參考圖像中提取出的內容（紅色框，圖像背景中含有與風格圖像類似的房子）。
其他圖像（藍色框）則能更好地從內容中拆分出風格。對StyleDrop進行好樣本（藍色框）的迭代訓練，結果在風格和文本保真度之間取得了更好的平衡（綠色框）。
這裡研究人員還用到了兩個方法：
-CLIP得分
該方法用於測量圖像和文本的對齊程度。因此，它可以通過測量CLIP得分（即視覺和文本CLIP嵌入的餘弦相似度）來評估生成圖像的質量。
研究人員可以選擇得分最高的CLIP圖像。他們稱這種方法為CLIP反饋的迭代訓練（CF）。
在實驗中，研究人員發現，使用CLIP得分來評估合成圖像的質量是提高召回率（即文本保真度）的有效方式，而不會過多損失風格保真度。
然而從另一方面看，CLIP得分可能不能完全與人類的意圖對齊，也無法捕捉到微妙的風格屬性。
-HF
人工反饋（HF）是一種將用戶意圖直接注入到合成圖像質量評估中的更直接的方式。
在強化學習的LLM微調中，HF已經證明了它的強大和有效。
HF可以用來補償CLIP得分無法捕捉到微妙風格屬性的問題。
目前，已有大量研究關注了文本到圖像的擴散模型的個性化問題，以合成包含多種個人風格的圖像。
研究人員展示瞭如何以簡單的方式將DreamBooth和StyleDrop結合起來，從而使風格和內容都能實現個性化。
這是通過從兩個修改後的生成分佈中採樣來完成的，分別由風格的θs和內容的θc指導，分別是在風格和內容參考圖像上獨立訓練的適配器參數。
與現有的成品不同，該團隊的方法不需要在多個概念上對可學習的參數進行聯合訓練，這就帶來了更大的組合能力，因為預訓練的適配器是分別在單個主題和風格上進行訓練的。
研究人員的整體採樣過程遵循等式(1)的迭代解碼，每個解碼步驟中採樣對數的方式有所不同。
設t為文本提示，c為無風格描述符的文本提示，在步驟k計算對數如下：
其中：γ用於平衡StyleDrop和DreamBooth——如果γ為0，我們得到StyleDrop，如果為1，我們得到DreamBooth。
通過合理設置γ，我們就可以得到合適的圖像。
實驗設置
目前為止，還沒有對文本-圖像生成模型的風格調整進行廣泛的研究。
因此，研究人員提出了一個全新實驗方案：
-數據收集
研究者收集了幾十張不同風格的圖片，從水彩和油畫，平面插圖，3D渲到不同材質的雕塑。
-模型配置
研究人員使用適配器調優基於Muse的StyleDrop 。對於所有實驗，使用Adam優化器更新1000步的適配器權重，學習速率為0.00003。除非另有說明，研究人員使用StyleDrop來表示第二輪模型，該模型在10多個帶有人工反饋的合成圖像上進行訓練。
-評估
研究報告的定量評估基於CLIP，衡量風格一致性和文本對齊。此外，研究人員進行了用戶偏好研究，以評估風格一致性和文本對齊。
如圖，研究人員收集的18個不同風格的圖片，StyleDrop處理的結果。
可以看到，StyleDrop能夠捕捉各種樣式的紋理、陰影和結構的細微差別，能夠比以前更好地控制風格。
為了進行比較，研究人員還介紹了DreamBooth在Imagen上的結果，DreamBooth在Stable Diffusion上的LoRA實現和文本反演的結果。
具體結果如表所示，圖像-文本對齊（Text）和視覺風格對齊（Style）的人類評分（上）和CLIP評分（下）的評價指標。
(a) DreamBooth，(b) StyleDrop，和(c) DreamBooth + StyleDrop的定性比較：
這裡，研究人員應用了上面提到的CLIP分數的兩個指標——文本和風格得分。
對於文本得分，研究人員測量圖像和文本嵌入之間的餘弦相似度。對於風格得分，研究人員測量風格參考和合成圖像嵌入之間的餘弦相似度。
研究人員為190個文本提示生成總共1520個圖像。雖然研究人員希望最終得分能高一些，但其實這些指標並不完美。
而迭代訓練（IT）提高了文本得分，這符合研究人員的目標。
然而，作為權衡，它們在第一輪模型上的風格得分有所降低，因為它們是在合成圖像上訓練的，風格可能因選擇偏見而偏移。
Imagen上的DreamBooth在風格得分上不及StyleDrop（HF的0.644對比0.694）。
研究人員注意到，Imagen上的DreamBooth的風格得分增加並不明顯（0.569 → 0.644），而Muse上的StyleDrop的增加更加明顯（0.556 →0.694）。
研究人員分析，Muse上的風格微調比Imagen上的更有效。
另外，在細粒度控制上， StyleDrop捕捉微妙的風格差異，如顏色偏移，層次，或銳角的把控。
網友熱評
要是設計師有了StyleDrop，10倍速工作效率，已經起飛。
AI一天，人間10年，AIGC正在以光速發展，那種晃瞎人眼的光速！
工具只是順應了潮流，該被淘汰的已經早被淘汰了。
對於製作Logo來說這個工具比Midjourney好用得多。
參考資料：
https://styledrop.github.io/