ControlNet: Adding Conditional Control to Text-to-Image Diffusion Models
link
时间：23.11
机构：Standford
TL;DR
提出ControlNet算法模型，用来给一个预训练好的text2image的diffusion model增加空间条件控制信息。作者尝试使用5w-1M的edges/depth/segmentation/pose等信息训练ControlNet，都能得到比较好的生成效果。为下游文生图使用者提供了极大的便利。
Method
- ZeroConv
FreezeNet与ControlNet模型是在Decoder部分融合特征的，ControlNet Decoder都是从ZeroConv初始化的，根据下面公式来看，从ControlNet连入FreezeNet的特征一开始是全零所以融合到Freeze模型上不影响原始效果。
- 这么设计的好处：
效果方面：
a) 保留了原始Encoder的参数。b) Decoder是ZeroConv相当于让ControlNet逐步学习参与进来。
性能方面：FreezeNet不需要backward，提升速度与降低显存
As tested on a single NVIDIA A100 PCIE 40GB, optimizing Stable Diffusion with Control- Net requires only about 23% more GPU memory and 34% more time in each training iteration, compared to optimizing Stable Diffusion without ControlNet.
-
Condition \(c_f\)
将depth/pose/edge图，通过4层stride=2的可学习卷积抽取出的特征 -
Q：ZeroConv如何反传梯度？
根据\(y=wx + b\)，只要x不为0(输入x是从ControlNet Encoder抽取出来的特征)，就可以得到y反传到w的非0梯度。
Experiment
在6133 iters的时候突然收敛了
可以用来生成数据
更多可视化样本
总结与发散
无
相关链接
https://zhuanlan.zhihu.com/p/660924126
