港大阿里「视觉AI任意门」，一键向场景中无缝传送物体（阿里智能视觉）

本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。

点两下鼠标，就能把物体无缝「传送」到照片场景中，光线角度和透视也能自动适应。

阿里和港大的这个AI版「任意门」，实现了零样本的图像嵌入。

有了它，网购衣服也可以直接看上身效果了。

因为功能和任意门十分相似，所以研发团队给它起的名字就叫AnyDoor。

AnyDoor一次能够传送多个物体。

图片

不仅如此，它还能移动图像里的已有物品。

图片

有网友看了之后赞叹到，或许接下来就会进化到（把物体传入到）视频了。

相对于已有的类似模型，AnyDoor具有零样本操作能力，无需针对具体物品调整模型。

除了这些需要进行参数调节的模型之外，AnyDoor相对于其他Reference类模型也更为准确。

实际上，其他的Reference类模型只能做到保持语义一致性。

通俗地说，如果要传送的物体是一只猫，其他模型只能保证结果中也有一只猫，但相似度无法保证。

我们不妨把AnyDoor的效果放大看看，是不是看不出什么破绽？

用户评价的结果也证实，AnyDoor在质量和准确度方面表现均优于现有模型（满分4分）。

而对于已有图像中物体的移动、换位，甚至改变姿态，AnyDoor也能出色完成。

那么，AnyDoor是如何实现这些功能的呢？

图片

要想实现物体的传送，首先就要对其进行提取。

不过在将包含目标物体的图像送入提取器之前，AnyDoor首先会对其进行背景消除。

然后，AnyDoor会进行自监督式的物体提取并转换成token。

这一步使用的编码器是以目前最好的自监督模型DINO-V2为基础设计的。

为了适应角度和光线的变化，除了提取物品的整体特征，还需要额外提取细节信息。

这一步中，为了避免过度约束，团队设计了一种用高频图表示特征信息的方式。

将目标图像与Sobel算子等高通滤波器进行卷积，可以得到含高频详情的图像。

同时，AnyDoor利用Hadamard对图像中的RGB色彩信息进行提取。

结合这些信息和过滤边缘信息的遮罩，得到了只含高频细节的HF-Map。

最后一步就是将这些信息进行注入。

利用获取到的token，AnyDoor通过文生图模型对图像进行合成。

具体来说，AnyDoor使用的是带有ControlNet的Stable Diffusion。

AnyDoor的工作流程大致就是这样。而在训练方面，也有一些特殊的策略。

△AnyDoor使用的训练数据集

尽管AnyDoor针对的是静态图像，但有一部分用于训练的数据是从视频当中提取出来的。

对于同一物体，视频当中可以提取出包含不同背景的图像。

将物体与背景分离后标注配对，就形成了AnyDoor的训练数据。

不过虽然视频数据有利于学习，但还存在质量问题需要解决。

于是团队设计了自适应时间步采样策略，在不同时刻分别采集变化和细节信息。

通过消融实验结果可以看出，随着这些策略的加入，CLIP和DINO评分均逐渐升高。

论文的第一作者是香港大学博士生陈汐（Xi Chen），他曾经是阿里巴巴集团算法工程师。

陈汐的导师Hengshuang Zhao是本文的通讯作者，研究领域包括机器视觉、机器学习等。

此外，阿里方面还有来自达摩院、菜鸟集团的研究人员也参与了这一项目。

论文地址：https://arxiv.org/abs/2307.09481