Diffusers 文档

DiffEdit

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

DiffEdit

图像编辑通常需要提供要编辑区域的掩码。DiffEdit 会根据文本查询为您自动生成掩码,从而使创建掩码变得更容易,无需使用图像编辑软件。DiffEdit 算法分三步工作:

  1. 扩散模型根据某个查询文本和参考文本对图像进行去噪,这会对图像的不同区域产生不同的噪声估计;利用此差异来推断一个掩码,以识别图像中需要更改以匹配查询文本的区域。
  2. 使用 DDIM 将输入图像编码到潜在空间中。
  3. 在文本查询的条件下,使用扩散模型对潜在变量进行解码,并以掩码为指导,使掩码外的像素与输入图像保持一致。

本指南将向您展示如何使用 DiffEdit 在不手动创建掩码的情况下编辑图像。

开始之前,请确保已安装以下库:

# uncomment to install the necessary libraries in Colab
#!pip install -q diffusers transformers accelerate

StableDiffusionDiffEditPipeline 需要一个图像掩码和一组部分反转的潜在变量。图像掩码由 generate_mask() 函数生成,并包含两个参数:source_prompttarget_prompt。这些参数决定了要在图像中编辑的内容。例如,如果您想将一碗 *水果* 更改为一碗 *梨*,则:

source_prompt = "a bowl of fruits"
target_prompt = "a bowl of pears"

部分反转的潜在变量由 invert() 函数生成,通常最好包含一个 prompt 或 *标题* 来描述图像,以帮助指导反向潜在采样过程。标题通常可以是您的 source_prompt,但请随时尝试其他文本描述!

让我们加载 pipeline、调度器、逆向调度器,并启用一些优化以减少内存使用:

import torch
from diffusers import DDIMScheduler, DDIMInverseScheduler, StableDiffusionDiffEditPipeline

pipeline = StableDiffusionDiffEditPipeline.from_pretrained(
    "stabilityai/stable-diffusion-2-1",
    torch_dtype=torch.float16,
    safety_checker=None,
    use_safetensors=True,
)
pipeline.scheduler = DDIMScheduler.from_config(pipeline.scheduler.config)
pipeline.inverse_scheduler = DDIMInverseScheduler.from_config(pipeline.scheduler.config)
pipeline.enable_model_cpu_offload()
pipeline.enable_vae_slicing()

加载要编辑的图像

from diffusers.utils import load_image, make_image_grid

img_url = "https://github.com/Xiang-cd/DiffEdit-stable-diffusion/raw/main/assets/origin.png"
raw_image = load_image(img_url).resize((768, 768))
raw_image

使用 generate_mask() 函数生成图像掩码。您需要向其传递 source_prompttarget_prompt 来指定要在图像中编辑的内容:

from PIL import Image

source_prompt = "a bowl of fruits"
target_prompt = "a basket of pears"
mask_image = pipeline.generate_mask(
    image=raw_image,
    source_prompt=source_prompt,
    target_prompt=target_prompt,
)
Image.fromarray((mask_image.squeeze()*255).astype("uint8"), "L").resize((768, 768))

接下来,创建反转的潜在变量,并向其传递一个描述图像的标题。

inv_latents = pipeline.invert(prompt=source_prompt, image=raw_image).latents

最后,将图像掩码和反转的潜在变量传递给 pipeline。现在 target_prompt 成为 prompt,而 source_prompt 则用作 negative_prompt

output_image = pipeline(
    prompt=target_prompt,
    mask_image=mask_image,
    image_latents=inv_latents,
    negative_prompt=source_prompt,
).images[0]
mask_image = Image.fromarray((mask_image.squeeze()*255).astype("uint8"), "L").resize((768, 768))
make_image_grid([raw_image, mask_image, output_image], rows=1, cols=3)
原始图像
编辑后的图像

生成源和目标嵌入

可以使用 Flan-T5 模型自动生成源和目标嵌入,而无需手动创建。

从 🤗 Transformers 库加载 Flan-T5 模型和分词器:

import torch
from transformers import AutoTokenizer, T5ForConditionalGeneration

tokenizer = AutoTokenizer.from_pretrained("google/flan-t5-large")
model = T5ForConditionalGeneration.from_pretrained("google/flan-t5-large", device_map="auto", torch_dtype=torch.float16)

提供一些初始文本来提示模型生成源和目标提示词。

source_concept = "bowl"
target_concept = "basket"

source_text = f"Provide a caption for images containing a {source_concept}. "
"The captions should be in English and should be no longer than 150 characters."

target_text = f"Provide a caption for images containing a {target_concept}. "
"The captions should be in English and should be no longer than 150 characters."

接下来,创建一个实用函数来生成提示词。

@torch.no_grad()
def generate_prompts(input_prompt):
    input_ids = tokenizer(input_prompt, return_tensors="pt").input_ids.to("cuda")

    outputs = model.generate(
        input_ids, temperature=0.8, num_return_sequences=16, do_sample=True, max_new_tokens=128, top_k=10
    )
    return tokenizer.batch_decode(outputs, skip_special_tokens=True)

source_prompts = generate_prompts(source_text)
target_prompts = generate_prompts(target_text)
print(source_prompts)
print(target_prompts)

如果您有兴趣了解更多关于生成不同质量文本的策略,请查看生成策略指南。

加载 StableDiffusionDiffEditPipeline 用于编码文本的文本编码器模型。您将使用文本编码器来计算文本嵌入。

import torch
from diffusers import StableDiffusionDiffEditPipeline

pipeline = StableDiffusionDiffEditPipeline.from_pretrained(
    "stabilityai/stable-diffusion-2-1", torch_dtype=torch.float16, use_safetensors=True
)
pipeline.enable_model_cpu_offload()
pipeline.enable_vae_slicing()

@torch.no_grad()
def embed_prompts(sentences, tokenizer, text_encoder, device="cuda"):
    embeddings = []
    for sent in sentences:
        text_inputs = tokenizer(
            sent,
            padding="max_length",
            max_length=tokenizer.model_max_length,
            truncation=True,
            return_tensors="pt",
        )
        text_input_ids = text_inputs.input_ids
        prompt_embeds = text_encoder(text_input_ids.to(device), attention_mask=None)[0]
        embeddings.append(prompt_embeds)
    return torch.concatenate(embeddings, dim=0).mean(dim=0).unsqueeze(0)

source_embeds = embed_prompts(source_prompts, pipeline.tokenizer, pipeline.text_encoder)
target_embeds = embed_prompts(target_prompts, pipeline.tokenizer, pipeline.text_encoder)

最后,将嵌入传递给 generate_mask()invert() 函数,以及 pipeline 来生成图像。

  from diffusers import DDIMInverseScheduler, DDIMScheduler
  from diffusers.utils import load_image, make_image_grid
  from PIL import Image

  pipeline.scheduler = DDIMScheduler.from_config(pipeline.scheduler.config)
  pipeline.inverse_scheduler = DDIMInverseScheduler.from_config(pipeline.scheduler.config)

  img_url = "https://github.com/Xiang-cd/DiffEdit-stable-diffusion/raw/main/assets/origin.png"
  raw_image = load_image(img_url).resize((768, 768))

  mask_image = pipeline.generate_mask(
      image=raw_image,
-     source_prompt=source_prompt,
-     target_prompt=target_prompt,
+     source_prompt_embeds=source_embeds,
+     target_prompt_embeds=target_embeds,
  )

  inv_latents = pipeline.invert(
-     prompt=source_prompt,
+     prompt_embeds=source_embeds,
      image=raw_image,
  ).latents

  output_image = pipeline(
      mask_image=mask_image,
      image_latents=inv_latents,
-     prompt=target_prompt,
-     negative_prompt=source_prompt,
+     prompt_embeds=target_embeds,
+     negative_prompt_embeds=source_embeds,
  ).images[0]
  mask_image = Image.fromarray((mask_image.squeeze()*255).astype("uint8"), "L")
  make_image_grid([raw_image, mask_image, output_image], rows=1, cols=3)

为反演生成标题

虽然您可以使用 `source_prompt` 作为标题来帮助生成部分反转的潜在变量,但您也可以使用 BLIP 模型来自动生成标题。

从 🤗 Transformers 库加载 BLIP 模型和处理器:

import torch
from transformers import BlipForConditionalGeneration, BlipProcessor

processor = BlipProcessor.from_pretrained("Salesforce/blip-image-captioning-base")
model = BlipForConditionalGeneration.from_pretrained("Salesforce/blip-image-captioning-base", torch_dtype=torch.float16, low_cpu_mem_usage=True)

创建一个实用函数,从输入图像生成标题。

@torch.no_grad()
def generate_caption(images, caption_generator, caption_processor):
    text = "a photograph of"

    inputs = caption_processor(images, text, return_tensors="pt").to(device="cuda", dtype=caption_generator.dtype)
    caption_generator.to("cuda")
    outputs = caption_generator.generate(**inputs, max_new_tokens=128)

    # offload caption generator
    caption_generator.to("cpu")

    caption = caption_processor.batch_decode(outputs, skip_special_tokens=True)[0]
    return caption

加载输入图像并使用 `generate_caption` 函数为其生成标题。

from diffusers.utils import load_image

img_url = "https://github.com/Xiang-cd/DiffEdit-stable-diffusion/raw/main/assets/origin.png"
raw_image = load_image(img_url).resize((768, 768))
caption = generate_caption(raw_image, model, processor)
生成的标题:“一张桌子上一碗水果的照片”

现在您可以将标题放入 invert() 函数中,以生成部分反转的潜在变量!

< > 在 GitHub 上更新