OminiControl：基于FLUX.1的通用的控制框架通过参考图像来控制图像生成的结果

OminiControl 是一个为 FLUX.1 模型 设计的简单而通用的控制框架，由新加坡国立大学的学习与视觉实验室开发，目的是在保持模型结构最小化的同时，提供强大的控制能力。 它能在生成图片时，允许你更轻松地控制生成的结果，比如你可以通过提供一些图片信息（边缘线稿、深度图或者某个物体的图片）来指导模型，生成更符合要求的图像。 举个例子： 你想生成一个小猫的图片，用现有的模型可能只能输入文字描述，比如：“一只坐在椅子上的小猫”。但有时生成结果不够准确，比如椅子的样式或小猫的姿势可能不对。 OminiControl 让你可以进一步用参考图片或简单的草图来告诉模型：“这个椅子的样式是这样的，小猫要坐成这样的姿势。”模型可以精确地按照这些信息生成图片。 它解决了以下几个问题： 现有工具的局限性 ：目前很多图像生成工具（比如 Stable Diffusion）虽然强大，但只能通过文字指令生成图片，而且有时候对细节控制得不够好，比如画出来的东西可能跟要求的姿势、结构对不上。 使用麻烦 ：很多方法（如ControlNet、IP-Adapter）需要增加很多复杂的模型和代码，既占用大量计算资源，也不够灵活。 无法统一处理多种任务 ：大部分模型只能处理特定的控制场景，用户需要为不同任务部署不同的方法，增加了系统的复杂性。 数据不足 ：生成特定主体（比如一只玩具熊或者某个物品）的时候，往往需要专门的数据集，但现有的数据不够多，也不够好。 OminiControl 如何解决这些问题？ 通用性和高效性 ： 统一架构 ：通过在DiT模型的多模态注意力模块中整合条件图像和噪声图像，OminiControl可以用非常少的额外资源（几乎不增加额外的参数），实现对图片生成过程的全面控制，比如生成特定风格的画或者精确的细节。 参数高效 ：仅增加 0.1%-0.4% 的额外参数 ，远低于现有方法。 条件控制的增强 ： 不仅支持用文字生成图片，还可以用现有图片、边缘线稿、深度信息等来指导生成，结果更加符合要求。 引入条件强度因子（γ），允许用户在推理过程中动态调节条件对生成结果的影响。 新数据集Subjects200K ： 提供了一个包含 20万张高质量、身份一致性图像 的开源数据集，用于解决主体生成任务中的数据稀缺问题。特别是那些需要保持主体一致性的生成任务，比如让同一个人或物品在不同场景下保持形状和特征。 数据集通过自动化管道生成，具有多样性和高质量，显著提升模型的训练效果。 性能表现 ： 在各种生成任务（如边缘到图像、深度生成、主体生成）中，OminiControl在控制能力、生成质量和效率上均优于现有方法。 OminiControl 的主要功能特点 OminiControl 是一个功能强大的图像生成控制工具，基于扩散模型（Diffusion Models）和 Transformer 架构，具备以下主要功能： 1. 多模态条件控制 支持不同的输入条件来指导图像生成，不仅限于文字，还包括： 图像线稿（Canny 边缘） ：通过简单的线条描绘轮廓生成图像。 深度图（Depth Map） ：根据深度信息生成符合透视和结构的图像。 遮罩（Masking） ：对图像的特定区域进行修改或修复（如修补缺失部分）。 颜色信息（Colorization） ：对黑白图片上色或对已有图像进行颜色调整。 参考图片 ：以给定图片为参考生成具有相同风格或主体特征的图片。 Prompt: The Mona Lisa is wearing a white VR headset with 'Omini' written on it. 提示：蒙娜丽莎戴着一副白色的虚拟现实头盔，上面写着“Omini”。 Prompt: A yellow book with the word 'OMINI' in large font on the cover. The text 'for FLUX' appears at the bottom. 提示：一本黄色的书，封面上用大字体写着“OMINI”。底部出现了“for FLUX”字样。 2. 统一控制架构 在一个模型中实现了对多种任务的统一支持： 空间对齐任务 ：例如线稿到图像（sketch-to-image）或深度到图像（depth-to-image），生成的图片和输入条件空间一致。 非空间对齐任务 ：如主体生成（subject-driven generation），可以基于一张参考图片生成多样化的同主体图片。 Prompt: A light gray sofa stands against a white wall, featuring a black and white geometric patterned pillow. A white side table sits next to the sofa, topped with a white adjustable desk lamp and some books. Dark hardwood flooring contrasts with the pale walls and furniture. 提示：一张浅灰色沙发靠在白色墙壁上，沙发上有一个黑白几何图案的枕头。沙发旁边放着一张白色边桌，上面放着一盏白色可调节的台灯和一些书籍。深色硬木地板与浅色墙壁和家具形成对比。 3. 条件强度调节 用户可以动态控制输入条件对生成结果的影响： 强度参数 γ ：设置低值会生成更多自由样式的图片，高值则严格遵循条件。 灵活性：支持用户在生成过程中尝试不同的强度来调整结果。 4. 高效参数设计 仅增加 0.1%-0.4% 的额外参数，相比于现有方法（如 ControlNet、IP-Adapter）的大量参数开销更加高效。 避免引入额外的复杂模块，直接利用现有的 Transformer 模型完成多模态整合。 5. 数据生成与支持 Subjects200K 数据集 ：包含 20 万张高质量、身份一致的图片数据集，帮助实现对特定主体的高质量生成（如玩偶、特定物品等）。 数据增强能力 ：利用自动生成的描述和 FLUX 模型自动生成数据，支持多种场景和变化（如角度、光照等）。 6. 广泛的应用场景 边缘线稿生成艺术画 ：将草图转换为高质量艺术画。 图片修复与上色 ：修复模糊区域、补全缺失部分或对黑白图片上色。包括修复（inpainting）、边缘到图像（Canny edge to image）、深度到图像（depth to image）、图像上色（colorization）和去模糊（deblurring）。 个性化定制生成 ：以指定的主体为核心，在不同场景生成一致性图片（如特定玩偶在不同背景的变化）。 风格迁移 ：将一张图片的风格应用到另一张图片上。 技术方法 1. 图像条件集成 (Image Condition Integration) 背景 ：传统方法通常将图像条件与扩散模型的隐藏状态直接叠加（如 ControlNet）。这种方式虽然在空间对齐任务中表现良好，但在非对齐任务（如主体驱动生成）中灵活性有限。 创新点 ： 将图像条件视为一种与文本条件和噪声图像平等的输入，通过统一序列的方式整合这些信息。 统一序列处理 ：图像条件经过模型的变分自动编码器 (VAE) 编码，得到潜在表示 CICI C I ，并与噪声图像 XX X 和文本条件 CTCT CT 一起通过多模态注意力模块 (MM-Attention) 进行处理。 这种设计允许条件图像参与多模态注意力机制，无需额外的网络模块。 2. 自适应位置嵌入 (Adaptive Position Embedding) 背景 ：在空间对齐任务中，条件图像的空间位置需要与输出图像严格对应，但对于非对齐任务（如主体生成），固定的位置编码会导致限制。 创新点 ： 在空间对齐任务中，条件图像的位置嵌入与输出图像的位置严格对齐。 在非对齐任务中，通过将条件图像的位置编码与噪声图像分开处理，避免位置冲突，并加速模型收敛。 实验表明，这种动态调整位置的策略显著提升了模型对复杂条件的适应能力。 3. 条件强度因子 (Condition Strength Factor) 背景 ：用户在实际应用中可能需要调整条件对生成结果的影响程度。 方法 ： 在多模态注意力中引入偏置项 bias(γ)bias(\gamma) bia s ( γ ) ，通过参数 γ\gamma γ 来控制图像条件的影响范围。 当 γ=0\gamma=0 γ = 0 时，忽略条件图像；当 γ=1\gamma=1 γ = 1 时，完全遵循条件图像；当 γ>1\gamma>1 γ > 1 时，增强条件的影响。 这种设计在训练和推理阶段均可以动态调整，提供了灵活的控制能力。 4. 数据集 Subjects200K 背景 ：主体一致性生成任务需要高质量的数据集，而现有数据集要么规模不足，要么难以保持主体一致性。 方法 ： 生成管道 ： 使用 ChatGPT-4o 创建 20,000 条多样化的场景描述，包括 42 个对象类别和 4,696 个实例。 利用 FLUX.1 模型生成包含同一主体的不同视角和场景图像对。 通过自动化质量评估筛选出高质量样本，最终生成 20 万张图像。 优势 ：相比传统数据增强方法，Subjects200K 提供了更真实的多样性，避免了因直接复制条件图像导致的过拟合问题。 5. 模型训练与优化 使用 LoRA (Low-Rank Adaptation) 进行参数高效微调： 默认低秩值为 4，仅对条件相关的特定参数进行调整。 当处理非条件相关任务时，LoRA 的缩放因子设置为 0，保留原始模型能力。 优化器采用 Prodigy ，结合 warm-up 和 bias-correction 技术提升稳定性。 实验使用 NVIDIA H100 GPU 进行加速，空间对齐任务训练 50,000 次迭代，主体生成任务训练 15,000 次迭代。 方法整体框架总结 输入 ：噪声图像、文本条件、图像条件。 核心模块 ： 多模态注意力机制 (MM-Attention)：统一处理所有条件信息。 自适应位置嵌入：灵活支持空间对齐和非对齐任务。 条件强度控制：提供用户可调的条件影响范围。 输出 ：生成与条件一致的高质量图像。 这种方法兼顾了模型的高效性、通用性和灵活性，在多种生成任务中均表现出色。 实验结果详细解读 论文通过实验证明 OminiControl 在多种图像生成任务中比现有方法表现更好，以下是实验结果的详细分析和通俗解释： 1. 空间对齐任务 这类任务要求生成的图像与输入条件（比如边缘图、深度图、模糊图像等）严格对齐，比如： 根据一张草图生成完整图像。 将模糊图像还原清晰。 为灰度图像添加真实感的颜色。 实验结果 研究团队在 5 个具体任务上测试了 OminiControl，发现它比传统方法（比如 ControlNet 和 T2I-Adapter）表现更好： 任务 传统方法表现 OminiControl 的优势 边缘到图像 生成的图像和边缘信息一致性较低（F1=0.34） 一致性提高到 F1=0.38 ，意味着生成的图像更符合边缘的结构。 深度到图像 深度图的还原不够精准（MSE=923） 准确度提升，MSE 降到 903 ，生成的图像更贴近输入深度图的信息。 去模糊 模糊还原不彻底，图像看起来有残留模糊感 MSE 从 572 降到 132 ，FID（衡量生成图像质量的指标）也从 30.38 大幅降低到 11.49 ，图像更加清晰自然。 图像上色 颜色不够鲜明（MSE=351） 准确度显著提高，MSE 降到 24 ，上色后的图像更加自然鲜艳，色彩细节更加丰富。 传统方法的生成质量可能会出现： 边缘模糊 ：比如画了一张猫的草图，生成的猫可能线条不够清晰。 颜色失真 ：比如上色时颜色偏差很大，看起来很假。 而 OminiControl 能： 生成 更贴合输入信息 的图像，比如猫的轮廓和形态更加准确。 让图像的颜色、细节更加逼真，看起来更自然。 2. 主体驱动生成任务 这类任务要求根据一个参考图像（比如一个玩具或人物），生成多个新视角或新环境下的图像，同时保持主体的核心特性（比如形状、颜色、材质等）。 实验结果 OminiControl 在生成质量和一致性方面显著领先： 指标 传统方法表现 OminiControl 的表现 身份保持率 传统方法只保留了 29.4% 的主体特性 OminiControl 保留了 50.6% 的主体特性，最高达到 82.3% 。 修改准确率 传统方法只有 57.7% 的准确率 OminiControl 达到 75.8% 的平均准确率，最高达到 90.7% 。 视觉自然度 传统方法生成的图像可能略显生硬 OminiControl 的图像更真实，主体和背景之间的融合更加协调。 定性对比（生成图像的对比效果） 传统方法 ：当输入一个玩具的照片并要求在阳光房场景生成新图像，传统方法生成的图像可能不够真实，主体特性（比如颜色和形状）丢失。 OminiControl ：不仅准确还原玩具的颜色、形状等特性，还能生成符合阳光房场景的真实图像，整体看起来更加自然。 想象你有一个玩偶的照片，你希望 AI 根据它生成玩偶在不同房间、角度下的图片： 传统方法 可能会把玩偶变形，颜色变得不自然，或者看起来像是复制粘贴的结果。 OminiControl 能够生成更加自然和多样的图像，比如玩偶在桌子上或沙发上的不同摆放方式，看起来像真实拍摄的一样。 3. 参数效率 参数效率指模型在增加的计算量和存储量方面是否经济。增加更多的参数通常会提升模型效果，但代价是需要更多计算资源。 实验结果 方法 额外参数量（占比） ControlNet 增加 27.5% 的参数 IP-Adapter 增加 7.6% 的参数 OminiControl 仅增加 0.1% 的参数 OminiControl 只需要增加极少的计算量，却能实现更高的生成质量。相比其他方法需要较多的资源（比如显存），OminiControl 在性能和效率上做到了两全其美。 4. 数据集：Subjects200K 数据集特点 包含 20 万对图像 ，展示同一主体在不同场景下的多样性（如不同光线、视角）。 解决了传统数据增强的局限性，避免生成图像过于单一。 生成效果对比 当训练模型生成同一主体的新视角图像时： 传统数据增强方法 ：生成的图像几乎是复制粘贴，变化不大。 Subjects200K ：生成的图像更加丰富，比如改变了主体的光线、角度和背景，同时保持主体特性一致。 实验总结 生成质量 ：OminiControl 在所有任务中生成的图像更加清晰、自然，细节和条件一致性显著提升。 控制能力 ：能够灵活调整条件图像对最终结果的影响，用户体验更好。 效率优势 ：参数增加极少，却在多个任务上超过现有方法。 GitHub： https://github.com/Yuanshi9815/OminiControl 技术报告： https://arxiv.org/abs/2411.15098 在线演示： https://huggingface.co/spaces/Yuanshi/OminiControl

Menu

分类目录

OminiControl：基于FLUX.1的通用的控制框架通过参考图像来控制图像生成的结果

Related Posts

Meta AI提出了一种新的语言模型架构“Large Concept Model (LCM) 让模型更像人类思考

阿里巴巴推出QVQ-72B 一个基于Qwen2-VL-72B的新型多模态推理模型

Fireworks AI新功能能够将图像或PDF等非文本内容转化为LLM可理解的结构化文本

Hume AI推出全能文本与语音引擎 OCTAVE 根据文本实时生成特定人格特质的声音

Anthropic 公布了一种全新的 AI 越狱技术可以轻松破解所有前沿模型

INFP：基于音频驱动的双人对话中的互动头像生成能自动区分谁在说话，谁在听

Recommendeds

Backseat AI：英雄联盟 AI 游戏伴侣通过语音为玩家提供实时的游戏评论和建议

Ferret-UI：苹果开发出能“看懂”手机屏幕上并能执行任务的多模态模型

PDF2Audio：将 PDF 文件转换为播客、讲座、摘要等音频内容

Pika Lip Sync：唇型同步功能向所有人开放

南洋理工大学提出Q*框架：可大幅提升大语言模型的多步推理能力

Color Health 与OpenAI 合作开发出Cancer Copilot 加速癌症患者治疗

Libcimbar：无需联网、蓝牙、NFC 扫描二维码即可传输文件

微软 Copilot 升级全新的外观加入了语音模式速度更快、性能更强

Relightful ：自动调节人像光照条件，与任意背景的自然融合

Xiaohu.AI 会员权益

Welcome Back!

Retrieve your password

Add New Playlist

Are you sure want to unlock this post?

Are you sure want to cancel subscription?

Menu

分类目录

OminiControl：基于FLUX.1的通用的控制框架 通过参考图像来控制图像生成的结果

Support authors and subscribe to content

加入会员

Related Posts

Recommendeds

Welcome Back!

Retrieve your password

Add New Playlist

Are you sure want to unlock this post?

Are you sure want to cancel subscription?

OminiControl：基于FLUX.1的通用的控制框架通过参考图像来控制图像生成的结果