GAN逆袭归来！清华校友论文引爆AI绘图圈，一秒把大象P转身，Diffusion黯然掉色
编纂：好困 Aeneas【新智元导读】GAN要卷土重来了？AI绘图圈被Diffusion模型独领风流的日子，可能要被DragGAN打破了。
5月18日，一颗炸弹在AI绘图圈炸响。
从此，AI可以精准修图了，哪里不准修哪里，AIGC，已然达到了全新的里程碑！
http://pic4.zhimg.com/v2-bd3a74c54b680aebc62d376059c7d73b_b.jpg
这篇引爆绘图圈的核弹级论文，名为「Drag Your GAN」，由MPII、MIT、宾大、谷歌等机构的学者联合发布。目前已被SIGGRAPH 2023录用。
而且因为太过火爆，这个项目一经发布，网页就经常处于崩溃状态。
http://pic2.zhimg.com/v2-99ff3f291dc5e0ada882beb2cd6304b5_r.jpg
项目地址：https://vcai.mpi-inf.mpg.de/projects/DragGAN/
顾名思义，通过DragGAN，就可以任意拖动图像了，无论是对象的形状、布局、姿态、表情、位置、大小，都可以做到精准控制。
只要拖拽动作，确定生成图像的起点和终点，再按照对象的物理布局，用GAN生成在精细尺度上符合逻辑的图像，一张挑不出破绽的图就生成了。
拍的照片表情不好？修！脸型不够瘦？修！脸冲镜头的角度不合错误？修！
（的确就是一个超强版的Photoshop）
轻轻一拖动，就能想把耷拉着的狗耳朵提起来，让狗狗从站着变成趴下，以及让狗狗瞬间张嘴微笑。
此刻，甲方提出「让大象转个身」的要求，终于可以实现了。
所以，泛博修图师的饭碗是要被端了？
从此，我们正式进入「有图无底细」时代。
筹备好，一大波演示来了
这种DragGAN可控图像合成方式，具有广泛的应用场景，只有你想不到，没有它做不到。
Midjourney、Stable Diffusion、Dalle-E等AI绘图东西生成的图像，都可以用DragGAN来微调细节，生成任何想要的效果。
模特的姿势可以随意改变，短裤可以变成九分裤，短袖可以变长袖。
湖边的树可以瞬间长高，湖里的倒影也跟着一起改变。
原图中的太阳没露脸？无所谓，DragGAN会给你造个日出。
猫猫的正脸一下子变侧脸，角度精细可调。
http://pic4.zhimg.com/v2-51b40e751a2830f2baf901d1f6a8466b_r.jpg
甚至连汽车也能一键「敞篷」。
不得不说，AI绘图圈，真的太卷了。上一个东西还没完全学会呢，下一个革命性产物就又来了。
有了DragGAN的加持，各种AI画图东西的「阿喀琉斯之踵」再也不是弱点。
而且，DragGAN在单颗3090显卡上生成图像，仅仅需要几秒钟。
可以想象，绘图、动画、电影、电视剧等范围，都将迎来大地震。
DragGAN看起来像Photoshop的Warp东西，但它的功能实现了核弹级的增强——它让你不只是在像素周围简单地移动，而是使用AI来从头生成底层对象，甚至还能像3D一样旋转图像。
研究者团队指出，这项工作真正有趣的处所不必然是图像措置本身，而是用户界面。
我们早就能用GAN之类的AI东西来生成传神的图像，但缺乏足够的灵活性和精度，无法得到我们想要的确切姿势。
但DragGAN提供的，绝不是简单地涂抹和糊化现有像素，而是从头生成主体。
http://pic4.zhimg.com/v2-5e8b59df63634238a654f55a1fb8bce3_r.jpg
正如研究者所写：「你的方式可以发生幻觉，就像狮子嘴里的牙齿一样，而且可以随着物体的刚性而变形，就像马腿的弯曲一样。」
DragGAN的横空出生避世表白，GAN模型开始模型了，或许它会比Diffusion模型（DALLE.2、Stable Diffusion和Midjourney）更具影响力。
此前，Diffusion模型一直在AI绘图范围大受欢迎，但生成式对抗网络GAN也引起了人们广泛的兴趣，Ian Goodfellow2017年提出GAN理论后，三年后它再次复兴。
DragGAN：图像措置新时代
在这项工作中，团队研究了一种强大但还未被充实探索的控制GAN的方式——以交互的方式将图像中任意一点精确「拖动」至方针点。
DragGAN主要包罗以下两个主要组成部门：
1. 基于特征的运动监控，驱动操作点向方针位置移动
2. 一个新的点跟踪方式，操作区分性的GAN特征持续定位操作点的位置
通过DragGAN，任何人都可以对像素进行精确的控制，进而编纂如动物、汽车、人类、风光等多种类此外姿态、形状、表情和布局。
由于这些操作在GAN的学习生成图像流形长进行，因此它们倾向于生成传神的输出，即使在富有挑战性的场景下也是如此，例如被遮挡的内容和变形的图像。
定性和定量的对比表白，DragGAN在图像操作和点跟踪任务中，都明显优于先前的方式。
拖拽编纂
在DragGAN的加持下，用户只需要设置几个操作点（红点），方针点（蓝点），以及可选的暗示可移动区域的mask（亮区）。然后，模型就会自动完成后续的图像生成，
此中，动态监控法式会让操作点（红点）向方针点（蓝点）移动，点追踪法式则通过更新操作点来追踪图像中的对象。此过程会一直持续，直到操作点达到其相应的方针点。
流程
具体来说，团队通过在生成器的特征图上的位移修补损掉来实现动态监控，并在不异的特征空间中通过比来邻搜索进行点追踪。
http://pic2.zhimg.com/v2-90bfcaaae9c4eb2f1b327bdfd08e97c1_r.jpg
方式
值得注意的是，用户可以通过添加mask的方式，来控制需要编纂的区域。
可以看到，当狗的头部被mask时，在编纂后的图像中，只有头部发生了移动，而其他区域则并未发生变化。但如果没有mask的话，整个狗的身体也会跟着移动。
这也显示出，基于点的操作凡是有多种可能的解决方案，而GAN会倾向于在其从训练数据中学习的图像流形中找到比来的解决方案。
因此，mask功能可以辅佐减少歧义并保持某些区域固定。
http://pic4.zhimg.com/v2-606e47cfe36022029796eb4ee35d58cf_r.jpg
mask的效果
在真实图像的编纂中，团队应用GAN反转将其映射到StyleGAN的潜在空间，然后分袂编纂姿势、头发、形状和表情。
http://pic2.zhimg.com/v2-fbbea167bff168cde7dcfc19ffe65d99_r.jpg
真实图像的措置
到目前为止，团队展示的都是基于「分布内」的编纂，也就是使用训练数据集内的图像来实现编纂。
但DragGAN实际上具有强大的泛化能力，可以创建出超出训练图像分布的图像。比如，一个张得巨大的嘴，以及一个被极限放大的车轮。
在某些情况下，用户可能但愿始终保持图像在训练分布中，并防止这种超出分布的情况发生。实现这一方针的方式可以是对潜在代码 添加额外的正则化，但这并不是本文讨论的重点。
泛化能力
斗劲分析
首先，与UserControllableLT对比，DragGAN能够编纂从输入图像中检测到的特征点，并使其与从方针图像中检测到的特征点相匹配，而且误差很小。
从下图中可以看出，DragGAN正确地张开了照片中人物的嘴，并调整了下巴的形状来匹配方针的脸型，而UserControllableLT未能做到这一点。
脸部特征点编纂
在DragGAN与RAFT、PIPs和无追踪的定性斗劲中，可以看得，DragGAN可以比基线更准确地跟踪操作点，进而能够发生更精确的编纂。
定性斗劲
而在移动操作点（红点）到方针点（蓝点）的任务上，定性斗劲的成果显示，DragGAN在各种数据集上都取得了比UserControllableLT更加自然和优秀的效果。
定性斗劲
如表1所示，在分歧的点数下，DragGAN都明显优于UserControllableLT。而且按照FID的得分，DragGAN还保留了更好的图像质量。
由于具有更强的跟踪能力，DragGAN还实现了比RAFT和PIPs更精确的独霸。正如FID分数所显示的，如果跟踪不准确的话，很可能会造成编纂过度，从而降低图像质量。
虽然UserControllableLT的速度更快，但DragGAN在很大程度上提升了这项任务的上限，在保持相对较快的运行时间的同时，实现了更靠谱的编纂。
http://pic2.zhimg.com/v2-62be88432278568eb7d73155fc63f395_r.jpg
定量分析
http://pic2.zhimg.com/v2-91033dee6d3f13c998784a57013fecfd_r.jpg
定量分析
成果讨论
DragGAN是一种基于点的交互式图像编纂方式，该方式操作预训练的GAN来合成图像。此中，这些合成图像不仅精确地遵循了用户的输入，而且还能保持在真实图像的流形上。
此外，与之前的方式对比，团队提出的DragGAN还是一个通用框架，并不依赖于特定范围的建模或辅助网络。
这是通过两个新颖的组件来实现的，它们都是操作GAN的中间特征图的分辩质量，来生成像素精确的图像形变和交互性能：
1. 一个优化潜在代码的方式，逐步将多个操作点移向方针位置
2. 一个点追踪法式，真实地追踪操作点的轨迹
总结来说，全新的DragGAN在基于GAN的编纂方面要优于现有的技术，并为使用生成式先验的强大图像编纂斥地了新的标的目的。
至于未来的工作，团队打算将基于点的编纂扩展到3D生成模型。
模型局限
尽管具有必然的泛化能力，但DragGAN的编纂质量仍受训练数据多样性的影响。
如下图（a）所示，创建一个训练分布外的人体姿势，可能会生成错误的图像
此外，如图（b）（c）所示，在无纹理区域的操作点在追踪时有时会有更多的漂移。
因此，团队建议尽量去选择纹理丰硕的操作点。
作者介绍
Xingang Pan
http://pic2.zhimg.com/v2-0cfc8aa4d6146ff4aaff51df7b5253e1_r.jpg
论文一作Xingang Pan，即将上任南洋理工大学计算机科学与工程学院MMLab@NTU的助理传授（2023年6月）。
目前，他是马克斯·普朗克计算机科学研究所的博士后研究员，由Christian Theobalt传授指导。
在此之前，他于2016年在清华大学获得学士学位，并2021年在香港中文大学多媒体尝试室获得博士学位，导师是汤晓鸥传授。
Lingjie Liu
Lingjie Liu是宾夕法尼亚大学计算机和信息科学系的Aravind K. Joshi助理传授，负责宾大计算机图形尝试室，同时也是通用机器人、自动化、传感和感知（GRASP）尝试室的成员。
在此之前，她是马克斯·普朗克计算机科学研究所的Lise Meitner博士后研究人员。并于2019年在香港大学获得博士学位。
参考资料：
https://vcai.mpi-inf.mpg.de/projects/DragGAN/ ai3d时代来临，ps撩了个寂寞，目前1060-1650显卡在绿光最多，蒸馏压缩到1060这里才是最关键，相当变相提升脑容量，省下的可以干其他事情，这才是真ai，一旦到sd1.5硬件水平估计就全面创造新生态了。[赞同] 以后精通PS将不能作为求职的技能了[捂脸] 又是*华*人成果，太强啦！ 莫有开源？ 听大佬说，今年6月。 想现在体验的话可以试试我复现的版本 https://github.com/Zeqiang-Lai/DragGAN 想现在体验的话可以试试我复现的版本 https://github.com/Zeqiang-Lai/DragGAN 太感谢了，立即关注。[赞同] [酷]
页:
[1]
2