系列文章目录

• 【扩散模型（一）】中介绍了 Stable Diffusion 可以被理解为重建分支（reconstruction branch）和条件分支（condition branch）
• 本文将从该视角快速理解 IP-Adapter 以及相关可控生成研究。

---

---

前言

上一篇文章提到可以从两个分支来看 Stable Diffusion ¹，其中：

• 重建分支（reconstruction）负责从噪声中逐步重建出清晰的图像。
• 条件分支（condition）则引入额外的信息或条件，指导图像的生成过程，使得生成结果符合特定的要求。

从该视角，可以快速地理解基于 SD 的类似可控生成模型，重点都是在修改 condition 分支的部分，通过修改 corss-attention 中的 QKV 来更好地引入控制条件。

一、IP-Adapter

IP-Adapter ² 则可以看为很好地引入了图像 condition 来引导去噪过程，其核心部分是有效地将图像与文字条件信息通过 Decouple Cross-Attention 来注入 U-Net。

二、InstantID

InstantID³ 在 IP-Adapter 的基础上（condition1 从一般的 image encoder 换成了针对 face 的 encoder），多训练了一个 U-Net 的一半（即 ControlNet），并在其中加入了人脸的 landmark 来很好地约束 FaceID 信息，提升了生成时的人脸可控性。

三、MimicBrush

MimicBrush ⁴ 类似 InstantID，增加了一个 Reference Un-Net 作为条件分支来引入控制条件，而 MimicBrush 与 IP-Adapter、InstantID 的不同点在于：

• MimicBrush 的重建分支中，是从图像输入（Source Image）来进行重建，即先加噪、再去噪的。
• 而 IP-Adapter、InstantID 的重建分支中，是直接输入 noise 随机噪声，通过 U-Net 对其进行去噪声的。

---

总结

有了以上多篇论文架构图的例子，应该能很快识别各种基于 IP-Adapter 的可控生成工作啦！🎉

---

1. High-Resolution Image Synthesis with Latent Diffusion Models ↩︎

2. IP-Adapter: Text Compatible Image Prompt Adapter for Text-to-Image Diffusion Models ↩︎

3. InstantID: Zero-shot Identity-Preserving Generation in Seconds ↩︎

4. Zero-shot Image Editing with Reference Imitation ↩︎