Title: VisorGPT: Learning Visual Prior via Generative Pre-Training
Paper: arxiv.org/abs/2305.13…
Code: github.com/Sierkinhane…
导读
可控扩散模型如ControlNet、T2I-Adapter和GLIGEN等可通过额外添加的空间条件如人体姿态、目标框来控制生成图像中内容的具体布局。使用从已有的图像中提取的人体姿态、目标框或者数据集中的标注作为空间限制条件，上述方法已经获得了非常好的可控图像生成效果。
那么，如何更友好、方便地获得空间限制条件？或者说如何自定义空间条件用于可控图像生成呢？例如自定义空间条件中物体的类别、大小、数量、以及表示形式（目标框、关键点、和实例掩码）。
本文将空间条件中物体的形状、位置以及它们之间的关系等性质总结为视觉先验（Visual Prior），并使用Transformer Decoder以Generative Pre-Training的方式来建模上述视觉先验。因此，我们可以从学习好的先验中通过Prompt从多个层面，例如表示形式（目标框、关键点、实例掩码）、物体类别、大小和数量，来采样空间限制条件。
我们设想，随着可控扩散模型生成能力的提升，以此可以针对性地生成图像用于特定场景下的数据补充，例如拥挤场景下的人体姿态估计和目标检测。
动机
先来看下上面的示意图，这里：
(a)：视觉先验（visual prior）的概念，指代场景中对象的位置、形状和关系等元素。
(b)：展示了一个合成图像失败的案例，其中图像合成的空间条件不符合先验要求。具体来说，一个“甜甜圈”的形状不是正方形，并且它悬浮在空中而不是放在“餐桌”上。
(c)：展示了一个成功的案例，其中从VISORGPT中采样的条件导致了更准确的合成结果。
(d)：说明了VISORGPT通过从视觉世界中转换为序列语料库来学习视觉先验。
(e)：给出了一个示例，展示了用户如何通过提示（prompt）自定义从VISORGPT中采样的结果。
这些内容在总体上旨在阐明作者的研究目标和方法，以及VISORGPT对于学习视觉先验的应用和定制化采样的能力。
方法
本文从当前公开的数据集中整理收集了七种数据，如表1所示。为了以 Generative Pre-Training 的方式学习视觉先验并且添加序列输出的可定制功能。
以下是论文提出的两种Prompt模板：
使用上述模板可以将表1中训练数据中每一张图片的标注格式化成一个序列 xx。在训练过程中，我们使用 BPE 算法将每个序列 xx 编码成 tokens=u1,u2,…,u3tokens={u_1,u2,…,u3}，并通过极大化似然来学习视觉先验，如下所述：
最后，我们可以从上述方式学习获得的模型中定制序列输出，如下图所示：
效果
总结
本文主要为大家介绍了VISORGPT方法，这是一种通过生成式预训练学习视觉先验的机制。它利用序列数据和语言建模的方法来学习关于位置、形状和类别之间关系的先验知识，并提供了对学习先验进行定制化采样的方法。
