虚拟试衣系列Magic Clothing: Controllable Garment-Driven Image Synthesis

news2024/12/28 19:25:13

目标：生成穿着具有多种文本提示的目标服装的模特图片。

创新点：以特定服装为条件的图像生成。服装驱动的图像生成任务旨在生成穿着指定服装的模特图片，并结合给定的文本提示。

与虚拟试穿(Virtual try-on, VTON)任务的不同：

VTON旨在生成穿着目标服装的特定模特图片，更多地是一种image-inpainting任务，只需要关注于保留目标服装的特征，而没有以特定的文本提示作为条件。

关注点：图像的可控性，即保留服装细节的同时保持对文本提示的忠实度。

具体做法：

引入基于Unet架构的服装提取器来提取详细的服装特征，并采用自注意力融合将其合并到预训练的LDM中，确保目标角色的服装细节保持不变；
利用联合的classifier-free guidance来平衡服装特征和文本提示对生成结果的控制，具体做法是在训练时从联合分布中随机删除服装特征和文本提示；
服装分类器可以作为一个插件，它适用于各种微调的LDM，并可以与ControlNet和IP-Adapter等扩展模块相结合，以增强生成图片的多样性和可控性。

网络结构：

1、在训练过程中，首先使用VAE自动变分编码器将人物图像 $I_{C}\in \mathbb{R}^{3\times H\times W}$ 和服装图像 $I_{G}\in \mathbb{R}^{3\times H\times W}$ 编码到潜在表示 $Z_{C}Z_{G}\in \mathbb{R}^{4\times \frac{H}{8}\times \frac{W}{8}}$ 。

2、另一方面，使用BLIP为人物图像Ic生成文本标题，获得text prompt y，并将其转换为token embedding $\tau _{y}$ 。

3、引入了一种服装提取器 $\varepsilon _{G}$ ，它与去噪unet具有相同的结构，用于提取详细的服装特征。

4、通过自注意力融合将提取到的服装特征合并到原始的去噪过程中。具体而言，令 $\alpha _{i}$ 和 $\beta _{i}$ 分别表示去噪Unet网络 $\epsilon_{\theta }$ 和服装提取器 $\varepsilon _{G}$ 中的第i个自注意力块的归一化后的中间隐藏状态，添加服装特征后的 $\epsilon_{\theta }$ 中自注意力的计算为：

其中[·]表示concatenation操作，d是特征维度，WQ、WK、WV分别是自注意力层中query、key和value的线性投影权重。

5、为了保证原始LDM的文本到图像的生成能力并降低训练成本，在训练时保持 $\epsilon_{\theta }$ 的权重冻结，只训练服装提取器 $\varepsilon _{G}$ ，并将其权重初始化为的权重，进一步加快了训练过程。训练目标为：

其中 $z_{C_{t}}$ 是在t时刻向人物图像潜在 $z_{C}$ 添加噪声而获得的，β是来自服装提取器 $\varepsilon _{G}$ 的自注意力块的整体服装特征。

6、在推理过程中，给定服装和文本描述，就可以生成穿着目标服装的模特图像。为了添加更多条件控制，服装提取器也可以与其他扩展配合使用（如ControlNet、IP-Adapter等）。同时，服装特征在所有去噪步骤中共享，从而最小化了LDM的推理计算成本。

Joint Classifier-free Guidance：

Classifier-free guidance：

两个控制条件：服装特征cG和文本提示cT。具体来说，令它们在训练期间以一定概率置为∅。然后在推理时，引入服装指导尺度sG和文本指导尺度sT来分别调整服装和文本提示的条件控制的强度。

独立classifier-free guidance：

但这样融合两个去噪分数可能会导致不希望的结果，因为两个控制条件可能具有重叠的语义信息。

联合classifier-free guidance：

按照一个联合分布来设置服装特征和文本提示置为∅的概率。具体做法是，随机选择5%的训练样本设置cG = ∅G，5%的训练样本设置cT = ∅T，另外5%的训练样本同时设置cG = ∅G和cT = ∅T。

sG越大，生成模特图中的服装与输入服装越相似；sT越大，生成模特图越准确地遵循文本提示。由于sT和sG之间差距较大可能会扭曲服装细节，因此在实验中按照经验设置为sT = 7.5和sG = 2.5。

插件模式：

可以将服装提取器Eg作为插件模块，与各种经过微调的LDM结合起来，以增强生成角色的多样性。

例如：

与LoRA或全参数微调的LDM结合，可以创建不同风格的角色，如科幻、现实和动漫风格等；
与ControlNet-Openpose结合，可以生成穿着给定服装并具有目标姿势的模特图；
与ControlNet-Inpaint结合，可以执行虚拟试穿任务并生成高质量的结果；
与IP-Adapter-FaceID结合，可以生成穿着目标服装的特定人物。

也可以与多个扩展相结合，对生成图像进行多方面的控制。

实验设置：

训练数据集：配对的服装和模特图，对人物图片进行描述的文本提示（BLIP）。

测试数据：一个配对的服装+文本提示→生成n张对应的模特图；

对比方法：三种最先进的基于LDM的主题驱动图像合成模型IP-Adapter、BLIP-Diffusion和Versatile Diffusion；以及训练了一个以服装作为输入条件并根据文本提示生成图像的ControlNet-Garment。（分辨率：768×576）

实验细节：使用stable diffusion v1.5中Unet的预训练权重来初始化服装提取器的权重，仅微调其权重，保持其他模块的权重冻结。采用AdamW优化器，固定学习率为5e-5。在单个NVIDIA A100 GPU上训练100个步骤，batch size=16。在推理时，使用UniPC采样器生成20个采样步的图像。

实验结果：