InstructPix2Pix（CVPR2023）-图像编辑论文解读

论文： 《InstructPix2Pix: Learning to Follow Image Editing Instructions》
github： https://github.com/timothybrooks/instruct-pix2pix

1.摘要

本文提出一种根据人类引导编辑图像的方法InstructPix2Pix：输入一张图片及告诉模型做什么的引导语，我们的模型将会跟随引导语编辑图像。为获得解决该问题的训练集，作者结合两个大预训练模型的知识：GPT-3、Stable Diffusion，用于生成图像编辑数据集。InstructPix2Pix在生成数据集上训练，但是可泛化到真实数据并且实现用户引导。因为该方案在前向过程进行编辑，无需finetune或转换，可在秒级完成图像编辑。作者展示了令人信服的编辑结果。

2.背景

GPT捕获关于语言的知识，Stable Diffusion捕获关于图像的知识，两者结合用于生成跨越两模态的成对训练集。
InstructPix2Pix在前向过程直接进行图像编辑，无需额外样例图、对输入/输出图的描述或逐样本finetune。
尽管InstructPix2Pix利用生成数据进行训练，但可零样本泛化到真实图片中。可进行各种编辑任务：替换目标、改变图片风格、改变背景、艺术风格等等，如图1所示。

3.算法

作者将基于引导的图像编辑任务看作有监督学习问题：
1. 生成成对训练集，包括图像编辑指令及编辑前后的图像；图2a-c
2. 在生成数据集训练图像编辑扩散模型；图2-d

3.1 生成多模态训练集

3.1.1生成指令及成对caption

一个LLM可利用输入图caption生成编辑指令及编辑后图片caption。如图2a所示，输入caption：“photograph ofa girl riding a horse”，LLM可生成编辑指令“have her ride a dragon”及编辑后输出caption：“photograph ofa girl riding a dragon”。
上述过程用到的语言模型通过在小批量人工编写的数据集上finetune GPT-3获得的。该finetune数据集，作者通过在LAION-Aesthetics V2 6.5+中采样700条输入caption获得。如表1所示。受益于GPT-3广博的知识和概括能力，我们finetune的模型能够生成合理instruction及caption。

3.1.2 依据成对的caption生成成对的图像

将一对caption转换为对应图像的挑战在于当prompt发生变化时，不能保证图像一致性。比如：“a picture ofa cat”及“a picture ofa black cat”可能会生成非常不同的猫，不利于训练模型进行图像编辑。因此作者使用Prompt-to-Prompt，使得生成图像尽量相似，如图3展示使用Prompt-to-Prompt前后结果。Prompt-to-Prompt中参数p可控制两张图相似性，作者对每个caption对生成100个样本对，随机参数$p\sim U(0.1,0.9)$，通过CLIP进行过滤样本。

3.2 InstructPix2Pix

为了支持图像作为条件输入，作者在第一个卷积层增加channel，将$z_t$与$ϵ(c_I)$ concat。
Classifier-free扩散引导用于平衡生成样本质量及多样性，联合训练扩散模型用于有条件及无条件去噪，推理时将两估计得分结合，通过参数$s$控制，如式2所示，

对于本任务，得分网络$e_{\theta }(z_t,c_I,c_T)$ 有两个条件，作者引入两个引导参数$S_I、S_T$，更改后的得分估计如式3，图4展示两参数影响。

4.实验结果

4.1基线比较

如图9，作者与Text2Live、SDEdit进行定性比较。尽管SDEdit能够保证内容一致，同时风格变化，但是它需要目标图的description而不是instruction。

与SDEdit定量比较如图8，纵轴表示CLIP图像相似性，通过计算CLIP image embedding余弦相似性实现，用于表示编辑后的图像与编辑前图像一致性；横轴表示CLIP图文相似性，用于表示编辑后图像与caption一致性。与SDEdit相比，作者所提方法在相同图文一致性时，具有更高的图像一致性。

4.2消融实验

图10展示消融实验量化结果，降低数据集大小将导致降低更大图像编辑能力，仅保证图像一致性，但无法保证图文一致性；移除数据集CLIP过滤，导致与输入图的一致性降低。

图4展示两个引导参数$S_I、S_T$影响，增大$S_T$使得与instruction更加一致，增大$S_I$使得与输入图更加一致；

5.结论

作者证明大语言模型与文生图模型结合生成数据集，用于根据instruction训练扩撒模型。虽然能够进行令人信服的图像编辑，但是仍存在一些限制。

1. 受限于生成数据集图像质量
2. 受限于模型泛化到新编辑instruction的能力
3. 视觉变化与instruction做出正确关联度受限于finetune GPT-3人工编写的instruction、GPT-3的能力、Prompt-to-Prompt能力
4. 在目标数量计数及空间推理方面存在问题。如图13
   
5. 在数据及预训练模型的偏置有可能继承至InstructPix2Pix中，如图14。
   
   作者同时提出一些问题：如何根据instruction进行空间推理；如何将instruction与其他条件模态结合；如何评估基于instruction的图像编辑；强化学习策略可能用于改进模型与人类意图之间一致性。