曾爆火的 InstantID又有了新玩法：风格化图像生成，已开源

科技周边小白一枚，正在不断学习积累知识，现将学习到的知识记录一下，也是将我的所得分享给大家！而今天这篇文章《曾爆火的 InstantID又有了新玩法：风格化图像生成，已开源》带大家来了解一下##content_title##，希望对大家的知识积累有所帮助，从而弥补自己的不足，助力实战开发！

InstantID 原班团队推出了风格迁移的新方法 InstantStyle。

风格化图像生成通常被称为风格迁移，其目标是生成与参考图像风格一致且与原始图像内容一致的图像。这种技术基于diffusion的方法（比如LoRA）进行批量的同风格数据训练，无法迁移到新的风格中。或者基于inversion的操作（如StyleAlign），通过将风格图像还原为latent noise，将其前向传播得到的K、V用于替换生成中的风格图像。这种方法往往由于inversion的操作，生成风格退化。

最近，InstantID 原班团队推出了风格迁移的新方法 InstantStyle。与人脸 ID 不同，它是一个通用的图像风格注入框架，采用两种简单但非常有效的技术，可以实现风格和内容与参考图像的有效分离。这种方法提供了一种简单但非常有效的技术，可以实现风格和内容与参考图像的有效分离，从而实现风格和内容的有效融合。

• 论文：InstantStyle: Free Lunch towards Style-Preserving in Text-to-Image Generation

• 论文地址：https://huggingface.co/papers/2404.02733

• 项目主页：https://instantstyle.github.io/

• 代码链接：https://github.com/InstantStyle/InstantStyle

• Demo 地址：https://huggingface.co/spaces/InstantX/InstantStyle

作为一种自动化介绍动机，（1）首先风格是欠定的，没有清晰的标准来定义，它囊括众多元素，比如色彩、气围、材质、布局等等，即使是人工评价，也很难有统一的结论；（2）此前基于 inversion 的方法会产生明显的风格退化，这对部分风格是无法接受的，比如纹理；（3）图像风格的注入，最关键的问题是如何平衡风格注入的强度以及参考图像的内容泄露。

对此，作者团队进行了一系列实验分析，他们发现，IP-Adapter 的问题被其它许多方法都明显夸大了，作者仅通过手动调整图像特征注入的权重，就解决了大部分论文中宣称的内容泄露问题。尽管如此，在一些情况下，IP-Adapter 仍然较难找到一个合适的阈值来平衡。由于目前 Adapter-based 的方法普遍使用 CLIP 提取图像特征，作者通过图像检索的例子确认，在 CLIP 特征空间中，图像和文本的特征是可以相加减的，答案显而易见，为什么不在注入网络之前，显式地减去可能会泄露的内容信息，从而对图像特征进行内容和风格解耦呢？

最后，受到 B-LoRA 方法的启发，作者细致分析了 IP-Adapter 在每一层注入的效果，惊奇地发现存在两个独立的层分别响应风格和空间布局的信息。为此，作者引出了提出的方法。

方法介绍

基于以上的观察和实验，作者提出了 InstantStyle 方法，如图所示，该方法核心包含两个模块：

（1）特征相减：利用 CLIP 空闲的特性，显式地进行特征相减，去除图像特征中内容的信息，减少参考图片内容对生成图片的影响。其中相比于风格的欠定，内容信息往往容易通过文本简单描述，所以可以利用 CLIP 的文本编码器提取内容特征，用于解耦。

（2）仅风格层注入：仅在特定风格层完成特征注入，隐式地实现风格和内容的解耦。作者在 UNet 的 mid block 附近，发现了分别控制风格和空间布局的两个特定层，并发现在某些风格中，空间布局可能也属于风格的一种。

整体而言，InstantStyle 的思路相当简单易懂，仅仅通过几行代码，就缓解了风格迁移中最困扰的内容泄露问题。

实验结果

作者在文中展示了两种策略的生成结果，这两种策略不局限于特定模型，可以分开独立使用，都实现了优异的效果。

特征相减的结果：

仅风格层注入：

和目前领先方法的对比：

基于原图的风格化：

社区玩法

InstantStyle 已经提供了丰富的代码实现，开发者可以直接通过 GitHub 找到，包括文生图、图生图以及 Inpainting。近日还被视频生成项目 AnyV2V 作为推荐的风格化工具。对于社区用户，InstantStyle 还原生就支持了 ComfyUI（该结点作者也是 InstantStyle 的共同作者），用户可以通过更新 IP-Adapter 结点即可快速尝试。

作为 InstantID 作者，又怎么少得了和 InstantID 的联名呢，相比于 InstantID 中仅通过文本来控制生成风格，InstantStyle 无疑可以让风格更加多样。作者团队会在 GitHub 星标到达 1000 后，官方支持人脸的风格化功能。

作者也官方支持了 Huggingface Demo，可以在线试玩。

以上就是本文的全部内容了，是否有顺利帮助你解决问题？若是能给你带来学习上的帮助，请大家多多支持golang学习网！更多关于科技周边的相关知识，也可关注golang学习网公众号。