AI視覺字謎爆火！夢露轉(zhuǎn)180°秒變愛因斯坦，英偉達(dá)高級AI科學(xué)家：近期最酷的擴(kuò)散模型

克雷西 蕭簫 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

AI畫的瑪麗蓮·夢露，倒轉(zhuǎn)180°后，竟然變成了愛因斯坦？！

這是最近在社交媒體上爆火的擴(kuò)散模型視錯覺畫，隨便給AI兩組不同的提示詞，它都能給你畫出來！

哪怕是截然不同的對象也可以，例如一位男子，經(jīng)過反色處理，就神奇地轉(zhuǎn)變成一名女子：

就連單詞也能被翻轉(zhuǎn)出新效果，happy和holiday只在一旋轉(zhuǎn)間：

原來，這是來自密歇根大學(xué)的一項(xiàng)“視覺字謎”新研究，論文一發(fā)出就在Hacker News上爆火，熱度飆至近800。

英偉達(dá)高級AI科學(xué)家Jim Fan贊嘆稱：

這是我近期見到最酷的擴(kuò)散模型！

還有網(wǎng)友感嘆稱：

這讓我想到了從事分形壓縮工作的那段經(jīng)歷。我一直認(rèn)為它是純粹的藝術(shù)。

要知道，創(chuàng)作一幅經(jīng)過旋轉(zhuǎn)、反色或變形后呈現(xiàn)出新主題的繪畫作品，怎么也需要畫家對色彩、形狀、空間具備一定的理解能力。

如今連AI也能畫出這樣的效果，究竟是如何實(shí)現(xiàn)的？實(shí)際效果是否有這么好？

我們上手試玩了一番，也探究了一下背后的原理。

Colab就能直接試玩

我們用這個模型繪制了一組Lowpoly風(fēng)格的畫，讓它正著看是一座山，反過來則是城市的天際線。

同時，我們讓ChatGPT（DALL·E-3）也試著畫了一下，結(jié)果除了清晰度高一些之外似乎就沒什么優(yōu)勢了。

而作者自己展示的效果則更加豐富，也更為精彩。

一座雪后的山峰，旋轉(zhuǎn)90度就變成了一匹馬；一張餐桌換個角度就成了瀑布……

最精彩的還要屬下面這張圖——從上下左右四個角度看，每個方向的內(nèi)容都不一樣。

（這里先考驗(yàn)一下各位讀者，你能看出這四種動物分別是什么嗎？）

以兔子為初始狀態(tài)，每逆時針旋轉(zhuǎn)90度，看到的依次是鳥、長頸鹿和泰迪熊。

而下面這兩張圖雖然沒做到四個方向每個都有“新內(nèi)容”，但還是做出了三個不同的方向。

除了旋轉(zhuǎn)，它還可以把圖像切割成拼圖，然后重組成新的內(nèi)容，甚至是直接分解到像素級。

風(fēng)格也是千變?nèi)f化，水彩、油畫、水墨、線稿……應(yīng)有盡有。

那么這個模型去哪里能玩呢？

為了能讓更多網(wǎng)友體驗(yàn)到這個新玩具，作者準(zhǔn)備了一份Colab筆記。

不過免費(fèi)版Colab的T4不太能帶動，V100偶爾也會顯存超限，要用A100才能穩(wěn)定運(yùn)行。

甚至作者自己也說，如果誰發(fā)現(xiàn)免費(fèi)版能帶動了，請馬上告訴他。

言歸正傳，第一行代碼運(yùn)行后會讓我們填寫Hugging Face的令牌，并給出了獲取地址。

同時還需要到DeepFloyd的項(xiàng)目頁面中同意一個用戶協(xié)議，才能繼續(xù)后面的步驟。

準(zhǔn)備工作完成后，依次運(yùn)行這三個部分的代碼完成環(huán)境部署。

需要注意的是，作者目前還沒有給模型設(shè)計(jì)圖形界面，效果的選擇和提示詞的修改需要我們手動調(diào)整代碼。

作者在筆記中放了三種效果，想用哪個就取消注釋（去掉那一行前面的井號），并把不用的刪除或注釋掉（加上井號）。

這里列出的三種效果不是全部，如果想用其他效果可以手動替換代碼，具體支持的效果有這些：

修改好后要運(yùn)行這行代碼，然后提示詞也是如法炮制：

修改好并運(yùn)行后，就可以進(jìn)入生成環(huán)節(jié)了，這里也可以對推理步數(shù)和指導(dǎo)強(qiáng)度進(jìn)行修改。

需要注意的是，這里一定要先運(yùn)行image_64函數(shù)生成小圖，然后再用后面的image變成大圖，否則會報錯。

做個總結(jié)的話，我們體驗(yàn)后的一個感覺是，這個模型對提示詞的要求還是比較高的。

作者也意識到了這一點(diǎn)，并給出了一些提示詞技巧：

那么，研究團(tuán)隊(duì)是如何實(shí)現(xiàn)這些效果的呢？

“糅合”多視角圖像噪聲

首先來看看作者生成視錯覺圖像的關(guān)鍵原理。

為了讓圖像在不同視角下，能根據(jù)不同的提示詞呈現(xiàn)出不同的畫面效果，作者特意采用了“噪聲平均”的方法，來進(jìn)一步將兩個視角的圖像糅合在一起。

簡單來說，擴(kuò)散模型（DDPM）的核心，是通過訓(xùn)練模型將圖像“打碎重組”，基于“噪點(diǎn)圖”來生成新圖像：

所以，要想讓圖像在變換前后，能根據(jù)不同提示詞生成不同圖像，就需要對擴(kuò)散模型的去噪過程進(jìn)行改動。

簡單來說，就是對原始圖像和變換后的圖像，同時用擴(kuò)散模型進(jìn)行“打碎”處理做成“噪點(diǎn)圖”，并在這個過程中將處理后的結(jié)果取平均，計(jì)算出一個新的“噪點(diǎn)圖”。

隨后，基于這個新的“噪點(diǎn)圖”生成的圖像，就能在經(jīng)過變換后呈現(xiàn)出想要的視覺效果。

當(dāng)然，這個變換的圖像處理過程，必須要是正交變換，也就是我們在展示效果中看到的旋轉(zhuǎn)、變形、打碎重組或反色等操作。

具體到擴(kuò)散模型的選擇上，也有要求。

具體來說，這篇論文采用了DeepFloyd IF來實(shí)現(xiàn)視錯覺圖像生成。

DeepFloyd IF是一個基于像素的擴(kuò)散模型，相比其他擴(kuò)散模型，它能直接在像素空間（而非潛在空間或其他中間表示）上進(jìn)行操作。

這也讓它能更好地處理圖像的局部信息，尤其在生成低分辨率圖像上有所幫助。

這樣一來，就能讓圖像最終呈現(xiàn)出視錯覺效果。

為了評估這種方法的效果，作者們基于GPT-3.5自己編寫了一個50個圖像變換對的數(shù)據(jù)集。

具體來說，他們讓GPT-3.5隨機(jī)生成一種圖像風(fēng)格（例如油畫風(fēng)、街頭藝術(shù)風(fēng)），然后再隨機(jī)生成兩組提示詞（一個老人、一個雪山），并交給模型生成變換畫。

這是一些隨機(jī)變換生成的結(jié)果：

隨后，他們也拿CIFAR-10進(jìn)行了一下不同模型間圖像生成的測試：

隨后用CLIP評估了一下，結(jié)果顯示變換后的效果和變換之前的質(zhì)量一樣好：

作者們也測試了一下，這個AI能經(jīng)得起多少個圖像塊的“打碎重組”。

事實(shí)證明，從8×8到64×64，打碎重組的圖像效果看起來都不錯：

對于這一系列圖像變換，有網(wǎng)友感嘆“印象深刻”，尤其是男人轉(zhuǎn)變成女人的那個圖像變換：

我看了大概有10遍左右。

還有網(wǎng)友已經(jīng)想把它做成藝術(shù)作品掛在墻上了，或是使用電子墨水屏：

但也有專業(yè)的攝影師認(rèn)為，現(xiàn)階段AI生成的這些圖像仍然不行：

仔細(xì)觀察的話，會發(fā)現(xiàn)細(xì)節(jié)經(jīng)不起推敲。敏銳的眼睛總是能分辨出糟糕的地方，但大眾并不在意這些。

那么，你覺得AI生成的這一系列視錯覺圖像效果如何？還能用在哪些地方？

參考鏈接：
[1]https://news.ycombinator.com/item?id=38477259
[2]https://arxiv.org/pdf/2311.17919.pdf
[3]https://twitter.com/DrJimFan/status/1730253638935920738