iPhone动嘴10秒P图！UCSB苹果全华人团队发布多模态MGIE，官宣开源人人可玩

  新智元报道  

编辑：桃子

【新智元导读】最近，来自UCSB和苹果的华人团队提出了MGIE，通过多模态模型引导图像精准编辑，可以10秒完成P图。

几天前，库克在苹果电话会上证实，「今年晚些时候会发布生成式AI」。

ChatGPT掀起全球热潮之后，苹果也在悄悄发力AI，曾曝出的大模型框架Ajax、AppleGPT等AI工具让业界充满了期待。

6月举办的WWDC上，这家曾霸占全球市值第一公司，将会宣布各种AI能力整合到iOS 18、iPadOS 18等软件产品中。

而在此之前，你在iPhone可以抢先用上AI超能力了！

随意拍摄一张餐桌图，然后说一句「在餐桌上添加一份披萨」。披萨瞬间就出现在桌子上了。

此外，你还可以随意选一张图，可以让图片中哭脸变成笑脸、照片提亮、移除背景人物，甚至可以将绿植景色更换成海洋。

这些魔法实现，只需你动动嘴，立刻完成P图。

这项神奇的技术背后是由一个基于自然语言修改图片的新模型——MGIE加持，由UCSB和苹果全华人团队共同完成。

具体就是，通过多模态模型，去引导图像进行编辑。

论文地址：https://arxiv.org/pdf/2309.17102.pdf

从上面例子中看的出，MGIE最大的特点便是，用简短的话，就能实现出色的图像编辑能力。

目前，这篇论文已被ICLR 2024录用为spotlight，并且在今天正式开源。

所有人都可以上线试玩。

地址：http://128.111.41.13:7122/

MLLM理解，扩散模型生成

文本引导的图像编辑，在近来的研究中逐渐得到了普及。

因其对真实图像进行建模拥有的强大能力，扩散模型也被用于图像编辑。

大模型在各种语言任务中，包括机器翻译、文本摘要和问答，展现出强大的能力。LLM通过从大规模语料库中学习，包含潜在的视觉知识和创造力，可以协助各种视觉和语言任务。

另外，多模态大模型（MLLM）可以自然地将图片作为输入，在提供视觉感知响应，以及充当多模态助手展现出强大的能力。

受MLLM的启发，研究人员将其合并以解决指令引导不足的问题，并引入MLLM引导图像编辑（MGIE）。

如图2所示，MGIE由MLLM和扩散模型组成。MLLM学习导出简洁的表达指令，并提供明确的视觉相关指导。

通过端到端训练，扩散模型会联合更新，并利用预期目标的潜在想象力执行图像编辑。

具体来说，通过给定的指令X将输入图像V，编辑为目标图像。为了处理不精确的指令，MGIE包含MLLM并学习导出明确而简洁的表达指令。

为了桥接语言和视觉的模态，研究人员在之后添加特殊的 [IMG] token，并采用编辑头T对其进行转换。

它们将指导扩散模型F实现预期的编辑目标。然后，MGIE能够通过视觉相关感知来理解模糊命令，以进行合理的图像编辑。

这样，MGIE就能从固有的视觉推导中获益，并解决模糊的人类指令，从而实现合理的编辑。

比如，下图中在没有额外的语境情况下，很难捕捉到「健康」的含义。

而MGIE模型可以将「蔬菜配料」与披萨精确地联系起来，并按照期望进行相关编辑。

即便用蒙版遮住人脸，MGIE也能准确理解背景中的女人并移除。

照片提亮，也做的很出色。

图片中，MGIE在具体某块区域的精准编辑。

实验结果

为了学习基于指令的图像编辑，研究中采用了IPr2Pr作为预训练数据集。

它包含 1M CLIP过滤数据，其中指令由GPT-3提取，图像由Prompt-to-Prompt合成。

为了进行全面评估，研究人员考虑了编辑的各个方面，包括EVR、GIER、MA5k、MagicBrush，并发现MGIE可进行Photoshop风格的修改、全局照片优化和局部对象修改。

基线

研究人员将InsPix2Pix作为基线，它建立在CLIP文本编码器上，具有用于基于指令的图像编辑的扩散模型。

另外，还考虑了类似的LLM引导图像编辑（LGIE）模型，其中采用LLaMA-7B来表达来自仅指令输入但没有视觉感知的表达指令。

实施细节

MLLM 和扩散模型从LLaVA-7B和 StableDiffusion-v1.5初始化，并共同更新图像编辑任务。请注意，MLLM中只有词嵌入和LM head是可训练的。

按照GILL的方法，研究人员使用N =8个视觉token。编辑头T是一个4层的Transformer，它将语言特征转化为编辑指导。我们采用批大小为128的AdamW来优化 MGIE。

MLLM和的学习率分别为5e-4和1e-4。所有实验均在PyTorch中在8个A100 GPU上进行。

定量结果

表一显示了零样本编辑结果，其中模型仅在IPr2Pr上进行训练。

对于涉及Photoshop风格修改的EVR和GIER，表达性指令可以揭示具体目标，而简短但模糊的命令去无法让编辑更接近意图。

对于MA5k上的全局照片优化，由于相关训练三元组的稀缺，InsPix2Pix很难处理。

LGIE和MGIE虽然是同一来源的训练，但可以通过LLM的学习提供详细的解释，但LGIE仍然局限于其单一的模式。

通过访问图像，MGIE可以得出明确的指令，例如哪些区域应该变亮，或哪些对象更加清晰。

它可以带来显著的性能提升，另外在MagicBrush也发现了类似的结果。MGIE也在精确的视觉上获得了最佳的表现。

为了研究针对特定目的的基于指令的图像编辑，表2对每个数据集上的模型进行了微调。

对于EVR和GIER，所有模型在适应Photoshop风格的编辑任务后都获得了改进。由于微调也使表达指令更加针对特定领域，因此MGIE通过学习领域相关指导来增加最多。

从上面的实验中，说明了使用表达指令进行学习，可以有效地增强图像编辑，而视觉感知在获得最大增强的明确指导方面起着至关重要的作用。

消融研究

MLLM引导图像编辑在零样本和微调场景中，都表现出了巨大的改进。

现在，团队还研究了不同的架构来使用表达指令。

表3中，研究人员将FZ、FT和E2E架构进行了对比，结果表明，图像编辑可以从LLM/MLLM指令推导过程中的明确指导中受益。

E2E与LM一起更新编辑扩散模型，LM学习通过端到端的隐藏状态，同时提取适用的指导，并丢弃不相关的叙述。

此外，E2E还可以避免表达指令可能传播的潜在错误。

因此，研究人员观察到全局优化（MA5k）和本地编辑（MagicBrush）方面的增强最多。在FZ、FT、E2E中，MGIE持续超过LGIE。这表明具有关键视觉感知的表达指令，在所有消融设置中始终具有优势。

为什么MLLM的指导有很大帮助？

图4显示了输入或真实目标图像与表达指令之间的CLIP-Score值。

输入图像的CLIP-S分数越高，说明指令与编辑源相关。更好地与目标图像保持一致可提供明确、相关的编辑指导。

由于无法获得视觉感知，LGIE的表达式指令仅限于一般语言想象，无法针对源图像量身定制。CLIP-S甚至低于原始指令。

相比之下，MGIE更符合输入/目标，这也解释了为什么表达性指令很有帮助。有了对预期结果的清晰叙述，MGIE可以在图像编辑方面取得最大的改进。

人工评估

除了自动评估指标外，研究还进行了人工评估，以研究生成的表达指令和图像编辑结果。

研究人员具体为每个数据集随机采样25个示例（共100个），并考虑由人类对基线和MGIE进行排名。

为避免潜在的排名偏差，研究人员为每个示例聘请了3名标注者。

图5显示了生成的表达性指令的质量。

首先，超过53%的人支持MGIE提供更实用的表达式指导，这有助于在明确的指导下完成图像编辑任务。

同时，有57%的标注者表示，MGIE可以避免LGIE中由语言衍生的幻觉所产生的不相关描述，因为它认为图像有一个精确的编辑目标。

图6比较了InsPix2Pix、LGIE和MGIE在指令遵循、地面真值相关性和整体质量方面的图像编辑结果。排名分数从1-3不等，越高越好。

利用从LLM或MLLM派生的表达式指令，LGIE和MGIE的表现均优于基线，其执行的图像编辑与指令相关，并与地面真值目标相似。

此外，由于研究中的表达式指令可以提供具体的视觉感知指导，因此MGIE在包括整体编辑质量在内的各个方面都具有较高的人类偏好。这些性能趋势也与自动评估结果一致。

推理效率

尽管依靠MLLM来促进图像编辑，MGIE仅给出了简洁的表达指令（少于32个token）并包含与InsPix2Pix一样的可行效率。

表4显示了NVIDIA A100 GPU上的推理时间成本。

对于单次输入，MGIE可以在10秒内完成编辑任务。随着数据并行化程度的提高，我们花费了相似的时间（例如，当批大小为8时，需要37秒）。

整个过程只需一个GPU（40GB）就可以负担得起。

总之，MGIE超越了质量基准，同时保持了有竞争力的效率，从而实现了有效且实用的图像编辑。

定性比较

图7展示了所有使用的数据集的可视化比较。

图8进一步比较了LGIE或MGIE的表达指令。

总之，在最新研究中，UCSB和苹果团队提出了MLLM引导图像编辑（MGIE），通过学习生成表达指令来增强基于指令的图像编辑。

参考资料：

https://github.com/apple/ml-mgie