文章目录
- Introduction
- Method
- ControlNet
- ControlNet for Text-to-Image Diffusion
- Training
- Inference
- Experiments
- 消融实验
- 定量分析
- 在作者 github 上的一些讨论
- 消融实验更进一步的探索
- Precomputed ControlNet 加快模型推理
- 迁移控制能力到其他 SD1.X 模型上
- 其他
Introduction
- 提出
ControlNet，通过引入该结构微调预训练文生图扩散模型，可以给模型增加空间定位条件. - 在
Stable Diffusion上使用ControlNet微调，使模型能接受 Canny edges, Hough lines, user scribbles, human key points, segmentation maps, shape normals, depths, cartoon line drawings 图像作为输入条件. - 消融实验、定量分析、对比 baseline.
Method
ControlNet
考虑一个预训练好的神经网络 F ( ⋅ ; Θ ) \mathcal{F}(·;\Theta) F(⋅;Θ)表示训练好的神经网络块，它的内部结构可以包括 resnet, conv-bn-relu, muti-head att, transfomer 等. 输入 x ∈ R h × w × c x\in\mathbb{R}^{h\times w\times c} x∈Rh×w×c，将其转换到 y y y，也即
y = F ( x ; Θ ) \large y=\mathcal{F}(x;\Theta) y=F(x;Θ)
使用ControlNet微调神经网络
F
(
⋅
;
Θ
)
\mathcal{F}(·;\Theta)
F(⋅;Θ)，首先复制
F
(
⋅
;
Θ
)
\mathcal{F}(·;\Theta)
F(⋅;Θ)的结构和参数，参数命名为
Θ
c
\Theta_{c}
Θc，同时冻结
Θ
\Theta
Θ. 然后在复制结构的前和后分别引入zero convolution，也即核大小为
1
×
1
1\times1
1×1、初始参数为
0
0
0的卷积层，分别用
Z
(
⋅
;
Θ
z
1
)
\mathcal{Z}(·;\Theta_{z1})
Z(⋅;Θz1)和
Z
(
⋅
;
Θ
z
2
)
\mathcal{Z}(·;\Theta_{z2})
Z(⋅;Θz2)表示. 最后，将
c
c
c作为微调时的条件，将其整合到模型的前向计算中，具体表示为
y c = F ( x ; Θ ) + Z ( F ( x + Z ( c ; Θ z 1 ) ; Θ c ) ; Θ z 2 ) \large y_c=\mathcal{F}(x;\Theta)+\mathcal{Z}(\mathcal{F}(x+\mathcal{Z}(c;\Theta_{z1});\Theta_c);\Theta_{z2}) yc=F(x;Θ)+Z(F(x+Z(c;Θz1);Θc);Θz2)
模型结构如下所示：
在训练的第一步中，zero convolution的参数都为
0
0
0，因此模型输出和未加入ControlNet的输出一样，这样做有助于在刚开始训练时保护微调结构的 backbone，使其免受随机噪声的污染.
ControlNet for Text-to-Image Diffusion
众所周知，Stable Diffusion训练时的网络有这么几个部分构成：
- FrozenCLIPEmbedder是一个预训练的 text encoder，将 prompt 嵌入成条件向量，一般情况下参数冻结.
- AutoencoderKL是一个预训练的 image encoder，将图像从像素空间转换到隐空间，降低扩散过程中图像向量的尺寸，一般情况下参数冻结.
- UNet，主要需要训练的部分，模拟隐空间上图像在数据分布和高斯分布之间转换的过程. 结构上主要包含：
- 若干 encoder 块，主要由 resnet, transformer, avg_pool 组成，用于逐层提取特征.
- resnet 块融合图像隐向量和扩散时间步的嵌入向量
- transformer 块融合图像隐向量和 prompt 条件向量
- 一个 middle 块，由 resnet 和 transformer 组成
- 若干 decoder 块，主要由 resnet, transformer, interpolate 组成，用于融合深层特征和浅层特征.
- 若干 encoder 块，主要由 resnet, transformer, avg_pool 组成，用于逐层提取特征.
将ControlNet应用于Stable Diffusion做微调，也即应用于其中UNet的 decoder 部分，使这部分网络能进一步融合作为条件的图像。用
t
t
t表示时间步，
c
t
c_t
ct表示 prompt 条件，
c
f
c_f
cf表示条件图像在隐空间上的表示，修改后的UNet结构为
Training
用
z
0
z_0
z0表示原始图像的隐向量，经过时间步
t
t
t后加噪的图像表示为
z
t
z_t
zt，应用了ControlNet的UNet表示为
ϵ
θ
\epsilon_{\theta}
ϵθ，训练时的损失函数可以表示为
L = E z 0 , t , c t , c f , ϵ ∈ N ( 0 , I ) [ ∣ ∣ ϵ − ϵ θ ( z t , t , c t , c f ) ∣ ∣ 2 2 ] \large \mathcal{L}=\mathbb{E}_{ z_0,t,c_t,c_f,\epsilon\in\mathcal{N}(0,I)}\left[||\epsilon-\epsilon_{\theta}(z_t,t,c_t,c_f)||_2^2\right] L=Ez0,t,ct,cf,ϵ∈N(0,I)[∣∣ϵ−ϵθ(zt,t,ct,cf)∣∣22]
在实际训练过程中，作者随机将
50
%
50\%
50%的 prompt 置为空字符串，这种做法能使ControlNet学习到图像条件的语义信息. 由于zero convolution不会引入额外的噪声，因此在训练过程中整个Stable Diffusion模型仍然能生成高质量的图片. 基于这一特性，作者观察到，微调时模型并非逐渐学习到图像条件，而是在训练步数低于
10
K
10\mathrm{K}
10K时的某一步开始突然遵从图像条件. 作者称这其为 “sudden convergence phenomenon”
![[图片]](https://img-blog.csdnimg.cn/direct/5c845671d5cf45a58afcf220e05e7f04.png#pic_center)
Inference
Stable Diffusion使用CFG控制条件强弱，令
ϵ
u
c
\epsilon_{uc}
ϵuc表示无 prompt 条件的模型输出，
ϵ
c
\epsilon_{c}
ϵc表示有 prompt 条件的模型输出，超参数
β
c
f
g
\beta_{cfg}
βcfg表示 prompt 条件的强弱，模型最终的输出
ϵ
p
r
d
\epsilon_{prd}
ϵprd可以表示为
ϵ p r d = ϵ u c + β c f g ( ϵ c − ϵ u c ) \large \epsilon_{\mathrm{prd}}=\epsilon_{\mathrm{uc}}+\beta_{\mathrm{cfg}}(\epsilon_{\mathrm{c}}-\epsilon_{\mathrm{uc}}) ϵprd=ϵuc+βcfg(ϵc−ϵuc)
在没有 prompt 条件的极端情况下，如果抽取完深层特征的图像条件同时加到
ϵ
u
c
\epsilon_{uc}
ϵuc和
ϵ
c
\epsilon_{c}
ϵc上，这会使CFG完全失去控制条件强弱的作用；如果只加到
ϵ
c
\epsilon_{c}
ϵc上，又会使控制条件对输出图像的影响过大. 因此，作者提出一种叫做Classifier-free guidance resolution weighting(CFG-RW)的方法. 具体做法，把图像条件加到
ϵ
c
\epsilon_{c}
ϵc上，在ControlNet每一层输出加回UNet前乘系数
w
i
w_i
wi(
=
64
/
h
i
=64/h_i
=64/hi，
h
i
h_i
hi为第
i
i
i个 decoder 块的尺寸). 下图分别展示了该讨论各种情况下的输出图像：
![[图片]](https://img-blog.csdnimg.cn/direct/e99a42088bcc4e9a9a8fd634f000f83c.png#pic_center)
有了上述方法之后，结合不同类别的图像条件，也只需要对应相加即可.
Experiments
消融实验
探索ControlNet其他可能结构
- 将
zero convolution换成随机初始化的卷积层 - 只使用一个卷积层作为
ControlNet
![[图片]](https://img-blog.csdnimg.cn/direct/afc5485b598a4dfd939f65de61d3d6c8.png#pic_center)
定量分析
作者使用 ADE20K 作为测试集，在 OneFormer 上做语义分割，对比不同方法重构图像和原图像的 IoU .
![[图片]](https://img-blog.csdnimg.cn/direct/e61d08d960bb48e292d8fe4b43acf579.png#pic_center)
之后，作者评估了不同模型的 FID、CLIP score、CLIP aesthetic score.
![[图片]](https://img-blog.csdnimg.cn/direct/24450aa294ff46ffb2efdd43eb75c566.png#pic_center)
下图展示了不同模型实际生成的图片
![[图片]](https://img-blog.csdnimg.cn/direct/50921fea95a64226877e17c8996e70c6.png#pic_center)
在作者 github 上的一些讨论
消融实验更进一步的探索
discussion 链接
将ControlNet简化为ControlNet-lite和ControlNet-mlp两种模型：
![[图片]](https://img-blog.csdnimg.cn/direct/4c1eecb9ab474cab832195268e0cb607.png)
作者从根据一张房子的图片做了简单地涂鸦风格处理，作为控制条件
|
|
在精心设计 prompt 的情况下，发现原版模型和改后的两种模型输出的图像效果都不错.
Professional high-quality wide-angle digital art of a house designed by frank lloyd wright. A delightful winter scene. photorealistic, epic fantasy, dramatic lighting, cinematic, extremely high detail, cinematic lighting, trending on artstation, cgsociety, realistic rendering of Unreal Engine 5, 8k, 4k, HQ, wallpaper
|
|
|
但是当 prompt 为空时，两种改版都很拉胯.
|
|
|
一方面，这样的对比说明更深的 encoder 结构确实拥有更强的识别能力，所以如果你的目标是训练稳健的ControlNet投入到生产环境，这样的识别能力是很重要的. 反之，如果用来做解决特定问题的研究或者训练集足够简单，那可以考虑轻量化的方案.
另一方面，这也解释了ControlNet接受 prompt 条件和时间步输入是重要的，因为这么做可以让使用者仍然能靠 prompt 条件调整模型的输出.
Precomputed ControlNet 加快模型推理
discussion 链接
主要 idea 如下图所示：
![[图片]](https://img-blog.csdnimg.cn/direct/02f57b29aa5045b1aa1fde3188af0120.png#pic_center=60%25x60%25)
这样做可以提前计算好ControlNet中每个块的输出，在推理时直接加到原模型的UNet上.
作者观察到这样训练的模型生成的图像更假，并且更不稳健，以失败告终.
评论中有人提到可以尝试使用 NAS (neural architecture search) 探索更好的模型结构，以降低 GPU 消耗.
迁移控制能力到其他 SD1.X 模型上
discussion 链接
作者尝试将在 Stable Diffusion 1.5上训练的ControlNet迁移到AnythingV3上，作者给出的方法是：
AnythingV3_control_openpose = AnythingV3 + SD15_control_openpose – SD15
限制有两点：
- text encoder 不同会导致意外结果
- 在例如 human pose 的应用中，输入最好不是二刺螈人物图片，因为检测姿势用的 OpenPose 不擅长处理二刺螈人物.
这种方法已经过时了. 目前在实际应用中，直接把ControlNet插到其他 SD1.X 模型上就行.
其他
- Riffusion + ControlNet 音乐修复
- 将原图转换成像素风格
- 人物换衣
- 调色
![【算法】斐波那契数列 [递推，矩阵快速幂]](https://img-blog.csdnimg.cn/direct/29623ced6d7645ae90e049ab29980fba.png)
