論文の概要: Ctrl-Adapter: An Efficient and Versatile Framework for Adapting Diverse Controls to Any Diffusion Model

• arxiv url: http://arxiv.org/abs/2404.09967v1
• Date: Mon, 15 Apr 2024 17:45:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-17 21:18:06.089802
• Title: Ctrl-Adapter: An Efficient and Versatile Framework for Adapting Diverse Controls to Any Diffusion Model
• Title（参考訳）: Ctrl-Adapter:任意の拡散モデルに分散制御を適応するための効率的でヴァーサタイルなフレームワーク
• Authors: Han Lin, Jaemin Cho, Abhay Zala, Mohit Bansal,
• Abstract要約: Ctrl-Adapterは、画像/ビデオ拡散モデルに多様な制御を追加する効率的なフレームワークである。 Ctrl-Adapterは、画像制御、ビデオ制御、スパースフレームによるビデオ制御、マルチ条件制御、ビデオ編集などの機能を提供する。 多様な画像/ビデオ拡散バックボーン(SDXL、Hotshot-XL、I2VGen-XL、SVD)により、Ctrl-Adapterはコントロールネットとマッチングし、ビデオ制御のすべてのベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 62.51232333352754
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: ControlNets are widely used for adding spatial control in image generation with different conditions, such as depth maps, canny edges, and human poses. However, there are several challenges when leveraging the pretrained image ControlNets for controlled video generation. First, pretrained ControlNet cannot be directly plugged into new backbone models due to the mismatch of feature spaces, and the cost of training ControlNets for new backbones is a big burden. Second, ControlNet features for different frames might not effectively handle the temporal consistency. To address these challenges, we introduce Ctrl-Adapter, an efficient and versatile framework that adds diverse controls to any image/video diffusion models, by adapting pretrained ControlNets (and improving temporal alignment for videos). Ctrl-Adapter provides diverse capabilities including image control, video control, video control with sparse frames, multi-condition control, compatibility with different backbones, adaptation to unseen control conditions, and video editing. In Ctrl-Adapter, we train adapter layers that fuse pretrained ControlNet features to different image/video diffusion models, while keeping the parameters of the ControlNets and the diffusion models frozen. Ctrl-Adapter consists of temporal and spatial modules so that it can effectively handle the temporal consistency of videos. We also propose latent skipping and inverse timestep sampling for robust adaptation and sparse control. Moreover, Ctrl-Adapter enables control from multiple conditions by simply taking the (weighted) average of ControlNet outputs. With diverse image/video diffusion backbones (SDXL, Hotshot-XL, I2VGen-XL, and SVD), Ctrl-Adapter matches ControlNet for image control and outperforms all baselines for video control (achieving the SOTA accuracy on the DAVIS 2017 dataset) with significantly lower computational costs (less than 10 GPU hours).
• Abstract（参考訳）: ControlNetは、深度マップ、キャニーエッジ、人間のポーズなど、さまざまな条件で画像生成に空間制御を追加するために広く使用されている。 しかし、事前訓練された画像制御ネットを制御ビデオ生成に利用する際には、いくつかの課題がある。 まず、事前訓練されたControlNetは、機能空間のミスマッチのため、新しいバックボーンモデルに直接プラグインできない。 第2に、異なるフレームのControlNet機能は、時間的一貫性を効果的に扱えない可能性がある。 これらの課題に対処するために、Ctrl-Adapterを導入する。Ctrl-Adapterは、任意の画像/ビデオ拡散モデルに対して、事前トレーニングされたControlNet(ビデオの時間的アライメントの改善)を適用することにより、多様なコントロールを追加する、効率的で汎用的なフレームワークである。 Ctrl-Adapterは、画像制御、ビデオ制御、スパースフレームによるビデオ制御、マルチ条件制御、異なるバックボーンとの互換性、見えない制御条件への適応、ビデオ編集など、多様な機能を提供する。 Ctrl-Adapterでは、CtrlNetのパラメータと拡散モデルの凍結を維持しながら、トレーニング済みのControlNet機能を異なる画像/ビデオ拡散モデルに融合するアダプタ層を訓練する。 Ctrl-Adapterは時間的および空間的なモジュールで構成されており、ビデオの時間的一貫性を効果的に扱うことができる。 また,頑健な適応とスパース制御のための潜時スキップと逆時間ステップサンプリングを提案する。 さらに、Ctrl-Adapterは、制御ネット出力の(重み付けされた)平均を取るだけで、複数の条件から制御できる。 多様な画像/ビデオ拡散バックボーン(SDXL、Hotshot-XL、I2VGen-XL、SVD)により、Ctrl-Adapterは、画像制御のためのControlNetにマッチし、ビデオ制御のためのすべてのベースライン(DAVIS 2017データセットでのSOTA精度を達成する)をはるかに低い計算コスト(10GPU時間未満)で上回る。

関連論文リスト

• CtrLoRA: An Extensible and Efficient Framework for Controllable Image Generation [69.43106794519193]
  本稿では,複数のベース条件からイメージ・ツー・イメージ生成の共通知識を学習するために,ベース制御ネットを訓練するCtrLoRAフレームワークを提案する。 学習可能なパラメータをControlNetと比較して90%削減し,モデルの重み付けとデプロイのしきい値を大幅に下げる。
  論文  参考訳（メタデータ） (2024-10-12T07:04:32Z)
• EasyControl: Transfer ControlNet to Video Diffusion for Controllable Generation and Interpolation [73.80275802696815]
  本稿では、ビデオ生成のためのEasyControlというユニバーサルフレームワークを提案する。 提案手法により,ユーザーは単一の条件マップで映像生成を制御できる。 その結果,UCF101とMSR-VTTのFVDおよびISが向上した。
  論文  参考訳（メタデータ） (2024-08-23T11:48:29Z)
• ControlNeXt: Powerful and Efficient Control for Image and Video Generation [59.62289489036722]
  制御可能画像と映像生成のための強力かつ効率的な制御NeXtを提案する。 まず、より単純で効率的なアーキテクチャを設計し、より重いブランチを最小限のコストで置き換えます。 トレーニングでは,学習可能なパラメータの最大90%を,代替案と比較して削減する。
  論文  参考訳（メタデータ） (2024-08-12T11:41:18Z)
• VD3D: Taming Large Video Diffusion Transformers for 3D Camera Control [74.5434726968562]
  Plucker座標に基づく制御ネットライクなコンディショニング機構を用いた3次元カメラ制御のためのトランスフォーマー映像を試作する。 我々の研究は、トランスフォーマーに基づくビデオ拡散モデルのカメラ制御を可能にする最初のものである。
  論文  参考訳（メタデータ） (2024-07-17T17:59:05Z)
• Uni-ControlNet: All-in-One Control to Text-to-Image Diffusion Models [82.19740045010435]
  ローカルコントロールとグローバルコントロールの同時利用を可能にする統合フレームワークであるUni-ControlNetを紹介した。 既存の方法とは異なり、Uni-ControlNetは、凍結した事前訓練されたテキスト-画像拡散モデル上に2つのアダプタを微調整するだけでよい。 Uni-ControlNetは、制御性、生成品質、構成性の観点から、既存のメソッドよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-25T17:59:58Z)
• Adding Conditional Control to Text-to-Image Diffusion Models [37.98427255384245]
  大規模で事前訓練されたテキスト-画像拡散モデルに空間条件制御を追加するニューラルネットワークアーキテクチャであるControlNetを提案する。 ControlNetはプロダクション対応の大規模な拡散モデルをロックし、数十億のイメージで事前訓練されたディープで堅牢なエンコーディング層を強力なバックボーンとして再利用して、さまざまな条件付きコントロールを学ぶ。
  論文  参考訳（メタデータ） (2023-02-10T23:12:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。