Scene Graph to Image Synthesis- Integrating CLIP Guidance with Graph Conditioning in Diffusion Models

公和众和号：EDPJ（进 Q 交流群：922230617 或加 VX：CV_EDPJ 进 V 交流群）

目录

0. 摘要

3. 方法

3.1 扩散背景

3.2 场景图编码器

3.3 使用 CLIP 引导的图条件进行扩散模型微调

3.4 基于 GAN 的 CLIP 对齐

3.5 采样过程

4. 实验

---

0. 摘要

生成模型的进展已经引起了在遵循特定结构准则的同时生成图像的重要兴趣。场景图到图像生成是一项生成与给定场景图一致的图像的任务。然而，视觉场景的复杂性，使得根据场景图中指定关系来准确对齐对象成为一项挑战。现有方法通过首先预测场景布局，然后使用对抗训练从这些布局生成图像来处理这项任务。

在这项工作中，我们介绍了一种新颖的方法，可以从场景图生成图像，从而消除预测布局的需要。我们利用预训练的文本到图像扩散模型和 CLIP 指导来将图形知识转化为图像。

• 我们首先预训练我们的场景图编码器，使用基于 GAN 的训练将场景图特征与相应图像的 CLIP 特征对齐。
• 此外，我们将场景图特征与给定场景图中的对象标签的 CLIP 嵌入融合，以创建一种场景图一致的 CLIP 引导的调节信号。
• 在调节输入中，对象嵌入提供图像的粗略结构，场景图特征基于对象之间的关系提供结构对齐。
• 最后，我们使用场景图一致的调节信号对预训练的扩散模型进行微调，其中包括重建和 CLIP 对齐损失。

详细的实验证明，我们的方法在 COCO-stuff 和 Visual Genome 数据集的标准基准上优于现有方法。

场景图表示视觉场景的图形，其中节点对应于对象，边表示这些对象之间的关系或交互。

自然语言句子往往又长且结构松散，用于语义解释时对语法的依赖较大。语言的固有歧义性，即不同的句子可能传达相同的概念，会在训练过程中带来不稳定性的风险。这在需要精确描述约束的至关重要的场景中特别显著。

3. 方法

3.1 扩散背景

3.2 场景图编码器

我们使用多层图卷积网络从场景图生成图特征。我们遵循现有的场景图编码器架构，以与现有方法进行公正比较。

场景图 S 包含一组对象 S_o 和一组关系 S_r。S 使用关系三元组 (o_i, r_ij, o_j) 表示，其中 o_i ∈ S_o 和 o_j ∈ S_o 是对象集 S_o 中的两个对象，而 r_ij ∈ S_r 是第 i 个和第 j 个对象之间的关系。图编码器融合个体对象嵌入和个体关系嵌入，以生成全局场景图嵌入。

对于对象 o_i，我们取 Out(o_i) 的集合作为 o_i 具有出向定向边（outgoing directed edge）的对象集合。集合 In(o_i) 表示对象 o_i 具有来自这些对象的入向定向边（incoming directed edge）的对象集合。我们按照以下方式为对象 o_i 找到嵌入：

其中 G_(o_i)，G(o_j) ∈ R^(d_o) 分别是对象 o_i 和 o_j 的嵌入。G_(r_ij)，G_(r_ji) ∈ R^(d_r) 分别是关系 r_ij 和 r_ji 的嵌入。F^out_o，F^in_o 是图卷积层，F^pool 是平均池化层。类似于此，我们按照以下方式找到关系嵌入： 

其中 F^rel 是一个图卷积层。在获取这些个体对象和关系嵌入之后，我们按照以下方式计算全局图特征 G^s_global。首先，我们使用包含两个层的 MLP F^o_(d_g) 和 F^r_(d_g) 分别将 d_o 维度的对象嵌入和 d_r 维度的关系嵌入映射到 d_g 维度的嵌入。在获取相同维度嵌入之后，我们按照以下方式找到表示每个场景图三元组的嵌入： 

最后，计算场景图 S 的全局嵌入 G^s_global，方法是将个体三元组嵌入连接起来，然后将其映射到 d_g 维度的特征：

我们在微调文本到图像扩散模型时使用 G^s_global 作为调节信号。

3.3 使用 CLIP 引导的图条件进行扩散模型微调

设 S^label 表示场景图中存在的对象的语义标签。将语义标签通过 CLIP 文本编码器传递，以生成对象标签嵌入。然后通过图编码器将 S 传递，使用公式 5 生成嵌入 G^s_global。对象标签嵌入捕捉图像的实体级信息，而 G^s_global 则捕捉这些实体之间的交互。设 label_i 为 S 中第 i 个对象的语义标签。然后，

最后，我们融合 G^s_global 和所有标签的 S_(label_i)，生成微调扩散模型的调节信号：

我们添加文本填充以生成相同维度的条件信号，不考虑场景图中存在的对象数量。

然而，我们注意到 G^s_global 和 S_(label_i) 的嵌入空间是不同的。因此，简单的连接并不有用。此外，文本到图像预训练扩散模型使用特定的文本编码器，例如 CLIP 文本编码器。因此，需要提供与 CLIP 嵌入空间对齐的特征。否则，领域不匹配可能导致图像生成质量不佳。为此，我们引导我们的图编码器生成与 CLIP 空间中相应图像特征对齐的嵌入。接下来，我们讨论训练和对齐策略。

训练目标。我们的学习目标是双重的。首先，扩散模型应学习图像-场景图对的分布。其次，我们希望将图编码器的输出映射到一个空间，使其与文本到图像扩散模型的先验语义知识对齐。我们通过以下方式实现这些目标。

重构损失：我们使用重构损失来引导扩散模型学习数据的分布。损失 L_recon 如下： 

其中 ˆx_θ 是扩散的去噪网络，x_t 是扩散时间步 t 的有噪样本，而 S_cond 是获得的调制信号。 (x, S) 是从数据中随机采样的图像-场景图对。

对齐损失：为了实现第二个目标，即将 G^s_global 与 CLIP 空间对齐，我们在 G^s_global 和相应图像的 CLIP 视觉特征之间应用均方差误差损失。对于图像-图对 (x, S)，损失 L_CLIP 如下：

此外，我们还使用最大均值差异（Maximum Mean Discrepancy，MMD）损失 [L i 等人，2017] 来弥合 G^s_global 和 CLIP 视觉特征之间的域差距。在我们的实验中，我们观察到 MMD 损失使训练更稳定，提高了定量结果和图像质量。MMD 损失定义如下：

其中 c 是输入图像的 CLIP 特征，而 G^s_global 是相应场景图的图编码器输出。ϕ 是核函数。我们结合 L_CLIP 和 L_MMD 定义一个对齐损失，如下： 

其中 β 是一个超参数。

总损失：现在通过考虑重构损失和对齐损失，我们定义我们的训练目标如下： 

其中 λ 是一个超参数。我们使用 L_train 对扩散模型和场景图编码器进行微调。

尽管 L_align 引导场景图嵌入与 CLIP 特征空间的对齐，但最初场景图编码器输出的潜在空间与 CLIP 特征空间差异很大。为了弥合这个差距，我们提出了基于 GAN 的 CLIP 对齐模块（GAN-based CLIP alignment，GCA）来预训练场景图编码器。接下来，我们讨论 GCA。

3.4 基于 GAN 的 CLIP 对齐

我们使用基于 GAN 的预训练来将 G^s_global 与 CLIP 特征对齐。图 3 提供了我们基于 GAN 的 CLIP 对齐模块的概述。我们将场景图编码器视为生成器，G^s_global 视为我们生成的数据。CLIP 视觉特征 c 构成真实数据。鉴别器被训练以预测输入来自真实数据还是生成的数据。它引导我们的生成器的输出与 CLIP 特征对齐。图编码器的训练由 L_graph 引导，其中给定场景图 S 作为输入时，G(S) 是场景图编码器的输出。L_graph 是用于基于 GAN 的架构的标准生成器损失：

鉴别器的训练由 L_disc 引导，这是基于 GAN 的架构的标准鉴别器损失。设 D(c) 是鉴别器在输入来自真实分布（CLIP 特征 c）时预测的概率。 

3.5 采样过程

在图 2 中，第 2 阶段提供了采样过程的概述。一旦扩散网络训练完成，我们可以从潜在噪声 ϵ 中采样图像。对于微调的去噪 Unet ˆx_θ，我们可以在给定场景图 S 的条件下采样潜在，如下所示： 

其中 S_cond 是场景图调节信号，ϵ ∼ N(0, I)。然后使用扩散的潜在解码器对 x_latent 进行解码，得到一幅图像。生成的图像与输入的场景图很好地对齐。

4. 实验