Image Manipulation：StyleCLIP：Text-Driven Manipulation of StyleGAN Imagery(2021)

关注

原创最新推荐文章于 2026-04-23 19:52:55 发布 1.6k 阅读 AI 写同款· GEO 优化 ›

ManiGAN: Text-Guided Image Manipulation(论文翻译) 这里写自定义目摘要：我们的论文的目的是在语义上编辑图像的一部分，以匹配描述所需的给定文本（例如，纹理、颜色、背景）同时保留与文本无关的其它内容。为此，我们提出了一种新的生成对抗网络（ManiGAN），它包含两个关键的部分：文本图像仿射组合模块（ACM）和细节校正模块（DCM）。ACM选择与给定文本相关的图像区域，然后将具有相应语义单词的区域与有效操作相关联。同时，它也编码原始图像特征，以帮助文本无关内容的重建。DCM纠正了不匹配的属性，并重建了合成图像的缺失内容。最后，我们提出了一个新的度量来评估图像重构阅读详情

StyleCLIP: Text-Driven Manipulation of StyleGAN Imagery

StyleCLIP

在这里插入图片描述

摘要

受StyleGAN在各种领域中生成高质量逼真的图像的能力的启发，许多新工作集中在理解如何使用StyleGAN的潜在空间来操作生成的和真实的图像。然而，发现语义上有意的潜在操作通常涉及人类对多个自由度的仔细检查，或者为每个所需操作的图像的注释集合。在这项工作中，我们探索利用最新引入的对比语言-图像预训练（CLIP）模型的功能，以便为StyleGAN图像的处理开发基于文本的界面，而无需进行此类人工操作。我们首先介绍一种优化方案，该方案利用基于CLIP的算了来修改输入潜在矢量，以响应用户提供的文本提示。接下来，我们描述一个潜在映射器，该映射器针对给定的输入图像推断文本知道的潜在操作步骤，从而实现更快更稳定的基于文本的操作。最后，我们提出了一种在StyleGAN样式空间中将文本提示映射到与输入无关的方向的方法，从而实现交互文本驱动的图像处理。广泛的结果和比较证明了我们方法的有效性。

介绍

生成对抗网络彻底改变了图像合成，最近基于样式的生成模式拥有一些迄今为止最逼真的合成图像。此外，已经证明StyleGAN的学习中间潜在空间具有求解特征，这使得利用预训练的模型对合成图像和真实图像执行各种图像处理。

利用StyleGAN的表达能力需要开发简单直观的界面，以便用户轻松的实现他们的意图。现在的语义控制发现方法要么涉及手动检查，大量带注释的数据，要么涉及预训练的分类器。通过沿一个潜在空间中的方向移动来执行后续操作。使用参数模型如StyleRig中的3DMM或StyleFlow中的训练归一化流。

因此，现有控件智能沿预设的语义方向进行图像操作，从而严重限制了用户的创造力和想象力。每当需要附加的、未映射的方向时，就需要进一步的人工操作和/或大量的注释数据。

在这项工作中，我们将探索利用最新引入的对比语言-图像预训练（CLIP）模型的功能，以实现基于文本的直观语义图像操作，该操作不仅限于预设的操作方向，也不需要额外的人工来发现新空间。CLIP模型在从Web上获取的4亿个图像文本对上进行了预训练，并且由于自然语言能够表达更广泛的视觉概念，因此将CLIP与StyleGAN的生成功能相结合将为图像处理提供有趣的途径。图1显示使用我们的方法产生的独特操作的几个示例。具体而言，在本文中，我们研究了将CLIP与StyleGAN相结合的三种技术：

文本引导的潜在优化，其中CLIP模型用作损失网络。这是最通用的方法，但是需要几分钟的优化才能进行操作。
潜在残差映射器，针对特定的文本提示进行了训练，给定潜在空间中的起点（要处理的输入图像），映射器会在潜在空间中产生局部步长。
一种将文本提示映射到StyleGAN样式空间中的输入不可知（全局）方向的方法，可控制操纵强度和解开程度。

本文和补充材料中的结果展示了对人脸、动物、汽车和教堂图像的广泛语义操纵。这些操作的范围从抽象到特定，从广泛到细化。他们中的许多都没有通过以前的StyleGAN操作工作所证明，并且所有这些都是使用预先训练的StyleGAN和CLIP模型的组合很容易获得。

StyleCLIP文本驱动的操作

在这项工作中，我们探索了文本驱动的图像处理的三种方法，所有这些方法将StyleGAN的生成能力与CLIP所学的丰富的联合视觉语言表示形式相结合。我们从第4节开始，介绍一个简单的潜在优化方案，通过最小化CLIP空间中计算的损失来优化StyleGAN W +空间中图像的给定潜在代码。针对每个（源图像，文本提示）对执行优化。因此，尽管用途广泛，但一次操作仍需花费几分钟，因此该方法可能难以控制。在第5节中介绍了一种更稳定的方法，训练映射网络以推断潜在空间中的操作步骤，一次向前通过。训练需要几个小时，但每个文本提示只能进行一次。操作步骤的方向可能会根据W +中的开始位置（对应于输入图像）的不同而有所不同，因此我们将此映射器称为“局部”。

我们在本地映射器上进行的实验表明，尽管起点不同，但对于各种各样的操作，操作步骤的方向通常彼此相似。此外，由于操作步骤是在W +中执行的，因此难以以解的方式获得细粒度的视觉效果。因此，在第6节中，我们探讨了第三种文本驱动的操作方案，该方案将给定的文本提示转换为不可知的输入（即，潜在空间中的全局）映射方向。全局方向是在StyleGAN的样式空间S中计算的，与W +相比，该样式空间更适合细粒度和非整齐的视觉处理。

表1总结了上述三种方法之间的差异，而以下部分介绍了可视化结果和比较结果。
在这里插入图片描述

潜在优化

利用CLIP指导图像处理的一种简单方法是直接进行潜在代码优化。具体来说，给定源潜在代码 $w_s \in W +$ ，并使用自然语言的指令或文本提示 $t$ ，我们解决了以下优化问题：
在这里插入图片描述
在图3中，我们提供了200-300次迭代后使用此优化方法获得的一些编辑。输入图像被e4e反转。请注意，视觉特征可以通过指示真实或虚构的人（碧昂丝，特朗普，艾尔莎）来显式控制（胡须，金发）或隐式控制。 $λ_{L2}$ 和 $λ_{ID}$ 的值取决于所需编辑的性质。对于转向另一个标识的更改，将 $λ_{ID}$ 设置为较低的值。
在这里插入图片描述

潜在映射器

上面描述的潜在优化是通用的，因为它对每个（源图像，文本提示）对都执行了专门的优化。不利的一面是，需要花费几分钟的时间才能编辑单个图像，并且该方法对其参数值有些敏感。下面，我们描述一种更有效的过程，其中针对特定的文本提示 $t$ 训练映射网络，以针对任何给定的嵌入 $\in W +$ 的潜像推断 $W +$ 空间中的操作步骤 $M_t（w）$ 。

架构
我们的文本引导映射器的体系结构如图2所示。如图所示，不同的StyleGAN层负责生成的图像中不同级别的细节。因此，通常将图层分为三组（粗，中，细），并为每组提供（扩展的）潜矢量的不同部分。我们相应地设计了映射器，它具有三个完全连接的网络，每个组/部分一个。这些网络的每个架构与StyleGAN映射网络的架构相同，但是层数较少（在我们的实现中为4层而不是8层）。将输入图像的潜在代码表示为 $w =（w_c，w_m，w_f）$ ，映射器定义为：

请注意，您可以选择只训练三个映射器的一个子集。在某些情况下，保留某些属性级别并固定相应条目中的样式代码很有用。
损失
我们的映射器经过训练，可以操作文本提示t所指示的图像的所需属性，同时保留输入图像的其他视觉属性。CLIP损失 $L_{CLIP}（w）$ 引导映射器最小化CLIP潜在空间中的余弦距离：

其中G再次表示预训练的StyleGAN生成器。为了保留原始输入图像的视觉属性，我们最小化了潜在空间中操作步骤的L2范数。最后，对于需要身份保存的编辑，我们使用等式（2）中定义的身份丢失。我们的总损失函数是这些损失的加权组合：

和以前一样，当编辑需要更改标识时，我们不使用标识丢失。我们在本文示例中使用的参数值为λL2= 0.8，λID= 0.1，我们在本文示例中使用的参数值为 $λ_L2= 0.8，λ_ID= 0.1$ ，除了图9中的“ Trump”操作外，其中我们使用的参数值为 $λ_L2=2，λ_ID= 0$ 。

在图4中，我们提供了一些发型编辑示例，其中每列中使用了一个不同的映射器。在所有这些示例中，映射器成功保存了身份以及与头发无关的大多数其他视觉属性。注意，所产生的头发外观适合个人。这在“卷发”和“鲍勃剪的发型”编辑中尤为明显。

应当注意，文本提示一次不限于单个属性。图5显示了四种不同的头发属性组合，直发/卷发和短发/长发，每种组合都能产生预期的效果。我们知道，以前没有任何方法可以证明这种控制程度。

由于潜在映射器会为每个输入图像推断出定制的操作步骤，因此研究潜在空间中步骤方向在不同输入上变化的程度非常有趣。为了对此进行测试，我们首先使用e4e反转CelebA-HQ 的测试集。接下来，我们将反演的潜在代码输入几个训练有素的映射器中，并计算所有成对的操纵方向之间的余弦相似度。表2报告了每个映射器的余弦相似度的平均值和标准偏差。该表显示，即使映射器推断出适合输入图像的操作步骤，但实际上，对于给定的文本提示，这些步骤的余弦相似度很高，这意味着它们的方向没有人期望的那样不同。

全局方向

虽然潜在映射器允许快速的推理时间，但我们发现，当需要进行细粒度的解操作时，它有时会不足。此外，正如我们所看到的，给定文本提示的不同操作步骤的方向趋于相似。基于这些观察，在本节中，我们提出了一种在StyleGAN的样式空间S中将文本提示映射到单个全局方向的方法，该方法已显示出比其他潜在空间更有解。

令s∈S表示样式代码，而G（s）表示相应的生成图像。给定一个文本提示，指示所需的属性，我们寻求一个操纵方向∆s，以使G（s + α∆s）产生一个图像，在该图像中该属性被引入或放大，而不会显着影响其他属性。操纵强度由α控制。我们的高级想法是，首先使用CLIP文本编码器在CLIP的联合语言-图像嵌入中获得矢量∆t，然后将此矢量映射到S中的操作方向∆s。如下所述，使用快速工程从自然语言获得稳定的∆t。然后，通过评估每个样式通道与目标属性的相关性来确定相应的方向∆s。

更正式地说，由I表示CLIP联合嵌入空间中的图像嵌入流形，由T表示其文本嵌入中的流形。我们区分这两个流形，因为它们之间没有一对一的映射：图像可能包含大量的视觉属性，很难用一个文本语句来全面描述；相反，给定的句子可能描述许多不同的图像。在CLIP训练期间，所有嵌入都被归一化为一个单位范数，因此只有嵌入的方向包含语义信息，而范数可能会被忽略。因此，在CLIP空间训练有素的区域中，我们期望与相同语义变化相对应的T和I流形上的方向大致是共线的（即，具有较大的余弦相似度），并且在归一化之后几乎相同。

给定一对图像G（s）和G（s + α∆s），我们分别用i和i + ∆i表示它们的I嵌入。因此，CLIP空间中的两个图像之间的差异由∆i给出。给定以Δt编码的自然语言指令，并假定∆t和∆i之间存在共线性，我们可以通过评估S中每个通道与∆i方向的相关性来确定操纵方向∆s。

从自然语言到∆t
为了减少文本嵌入的噪声，Radford等人利用了一种称为提示工程的技术，该技术向文本编码器提供了几个具有相同含义的句子，并对它们的嵌入求平均。例如，对于ImageNet零镜头分类，使用了80个不同的句子模板库，例如“ {}的不良照片”，“ {}的裁剪照片”，“ {}的黑白照片”和“ {}的绘画”。在推断时，目标类会自动替换为这些模板，以构建具有相似语义的句子库，然后对它们的嵌入进行平均。与使用单个文本提示相比，此过程将零镜头分类准确性提高了3.5％。

同样，我们还采用了快速工程（使用相同的ImageNet提示库）来计算T中的稳定方向。具体来说，应该为我们的方法提供目标属性和相应中性类的文本描述。例如，当操纵汽车的图像时，目标属性可能被指定为“跑车”，在这种情况下，对应的中性类别可能是“汽车”。然后应用及时工程来生成目标和中性类别的平均嵌入，并将这两个嵌入之间的归一化差异用作目标方向Δt。
通道相关性
接下来，我们的目标是构造一个样式空间操纵方向∆s，该方向将产生与目标方向∆t共线的变化∆i。为此，我们需要评估CLIP联合嵌入空间中S的每个通道c与给定方向∆i的相关性。我们生成样式代码s∈S的集合，并通过添加负值和正值来仅扰动每个样式代码的c通道。用 $i_c$ 表示结果图像对之间的CLIP空间方向，将通道c与目标操作的相关性估计为 $i_c$ 在∆i上的平均投影：

在实践中，我们使用100对图像来估计均值。
我们生成的图像对由 $G（s±α∆s_c）$ 给出，其中 $s_c$ 是零矢量，但其c坐标除外，该c坐标设置为通道的标准偏差。扰动的大小设置为α= 5。

在估算了每个通道的相关性Rc之后，我们忽略Rc低于阈值β的通道。此参数可用于控制操作中的纠缠程度：使用较高的阈值会导致更多的操作纠缠，但同时会降低操作的视觉效果。由于诸如年龄之类的各种高级属性涉及多个较低级属性（例如，白发，皱纹和肤色）的组合，因此涉及多个渠道，在这种情况下，降低阈值可能是可取的，如图6所示。据我们所知，以这种方式控制解缠程度的能力是我们方法所独有的。

总而言之，给定CLIP空间中的目标方向∆i，我们设置：

图7和8显示了沿文本驱动的操纵方向进行的各种编辑，这些方向如上所述确定的在人脸，汽车和狗的图像上。图7中的操作是使用在FFHQ上预训练的StyleGAN2执行的。输入是真实图像，使用e4e编码器嵌入W +空间。该图演示了文本驱动的18种属性的操纵，包括复杂的概念，例如面部表情和发型。图8中的操作使用了在LSUN汽车上预训练的StyleGAN2（在真实图像上）以及在AFHQ狗上预训练的来自StyleGAN2-ada的图像。

比较与评估

现在，我们将前面各节中介绍和分析的三种方法与其他方法进行比较。我们处理的所有真实图像都使用e4e编码器进行了反转。

文本驱动的图像处理方法
我们首先比较图9中的几种文本驱动的面部图像处理方法。我们比较了我们的潜在映射器方法（第5节），全局方向方法（第6节）和TediGAN 。对于TediGAN，我们使用作者的官方实现，最近对它进行了更新，以利用CLIP进行图像处理，因此与他们论文中介绍的方法有所不同。我们不包括第4节中介绍的优化方法的结果，因为它对超参数的敏感性使其非常耗时，因此无法扩展。
我们使用三种属性进行比较，这些属性的范围从复杂但特定（例如“特朗普”），较不复杂和较不特定（例如“ Mohawk”）到更简单和更常见（例如“无皱纹”）。复杂的“特朗普”操纵涉及多个属性，例如金发、,眼，张开嘴巴，面部有些肿胀和特朗普的身份。尽管全局潜在方向能够捕获并非特朗普特有的主要视觉属性，但它无法捕获特定的身份。相反，潜在映射器更为成功。“莫霍克发型”是一种不太复杂的属性，因为它只涉及头发，而且不那么具体。因此，我们的两种方法都能够产生令人满意的操作。由于CLIP空间中的方向是平均方向，因此由全局方向生成的操作稍微不太明显。最后，对于“无皱纹”提示，全局方向成功地消除了皱纹，同时使其他属性大部分不受影响，而映射器失败了。我们将其归因于W +的纠缠程度较小。我们在另一组属性（“奥巴马”，“愤怒”，“胡须”）上观察到了类似的行为。我们得出结论，对于复杂和特定的属性（尤其是涉及身份的属性），映射器能够产生更好的操作。对于更简单和/或更常见的属性，全局方向就足够了，同时提供了更多分散的操作。我们注意到，TediGAN产生的结果在图9所示的所有三种操作中均失败。
其他StyleGAN操作方法
在图10中，我们比较了全局方向方法和几种最新的StyleGAN图像处理方法：GANSpace，InterFaceGAN和StyleSpace。比较仅检查所有比较方法能够操纵的属性（性别，灰色头发和唇膏），因此不包括我们的方法所能实现的许多新颖操纵。由于所有这些都是通用属性，因此在此比较中我们不包括映射器。继吴等，选择操纵步长强度，以使其在相应分类器的对数值上引起相同量的变化（在CelebA上进行预训练）。

可以看出，在GANSpace中，操纵与皮肤颜色和光照纠缠在一起，而在InterFaceGAN中，身份可能发生显着变化（操纵唇膏时）。我们的操作非常类似于StyleSpace，它只更改目标属性，而所有其他属性保持不变。

在补充材料中，我们还展示了与StyleFLow [1]（一种最新的非线性方法）的比较。尽管StyleFlow同时使用了几个属性分类器和回归器（来自Microsoft Face API），但我们的方法仍能产生类似质量的结果，因此可以处理一组有限的属性。相反，我们的方法不需要额外的监督。
局限性
我们的方法依赖于预训练的StyleGAN生成器和CLIP模型进行联合的语言视觉嵌入。因此，不能期望将图像操纵到它们位于预训练的生成器的域之外（或保留在该域的内部，但在生成器覆盖范围较小的区域中）的程度。同样，映射到CLIP空间中没有很好填充图像的区域的文本提示，不能期望产生如实反映提示语义的可视化操作。我们还观察到，很难在视觉上多样化的数据集中进行激烈的操作。例如，虽然老虎很容易变成狮子（参见图1），但如补充材料所示，当将老虎变成狼时，我们取得的成功并不那么大。

结论

我们介绍了三种新颖的图像处理方法，这些方法将StyleGAN的强大生成能力与CLIP出色的视觉概念编码能力结合在一起。我们已经证明，这些技术可以实现各种独特的图像处理，其中某些操作无法通过依赖于注释数据的现有方法来实现。我们还证明了CLIP提供了细粒度的编辑控件，例如指定了所需的发型，而我们的方法能够控制操纵强度和松开程度。总而言之，我们认为文本驱动的操作是功能强大的图像编辑工具，其功能和重要性将继续增长。

收录于