本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

“新·AI繪畫細節控制大師”ControlNet-XS來啦！

敲重點的是參數只要原始ControlNet的1%。

就能做到蛋糕口味隨意切換：

△左圖為改前

改變一個人的行頭也輕輕松松：

上圖同款，身形不變藝術氛圍感拉滿：

自然風光也能hou住，一年四季任意切換：

還有這貓頭鷹，直接從活物變雕塑：

參數很小的情況下，能做到這樣的效果，網友也是直呼絕絕子，并迫不及待想看論文。

ControlNet-XS由海德堡大學計算機視覺實驗室研發，目前相關論文、預訓練模型還未公布。

但研究人員表示ControlNet-XSFID分數明顯優于ControlNet。

且控制Stable Diffusion-XL和Stable Diffusion 2.1的代碼將在不久后開源。

新生代控制大師

先來康康對StableDiffusion-XL的控制。

研究人員在評估了不同大小的控制模型后發現，控制模型甚至不必和2.6B參數的StableDiffusion-XL基礎網絡大小一樣。

400M、104M和48M參數的ControlNet-XS控制也很明顯。

深度圖給出了更為直觀的展示，根據圖像內容的距離、深度，深度圖呈現出準確的顏色深淺度：

要注意的是，這里研究人員設置的每行seed值不同，每列seed值相同。

此外，還有Canny邊緣檢測圖，物體的邊界、輪廓都能清晰地展現出來：

對StableDiffusion的控制，研究人員則是評估了491M、55M和14M參數的三個版本的ControlNet-XS。

結果表明1.6%的參數（865M）也能夠可靠地控制生成過程。

那這是如何做到的呢？

從頭開始訓練

原始ControlNet是StableDiffusion基礎模型（base model）中U-Net編碼器的副本，所以接收與基礎模型相同的輸入，并帶有額外的引導信號，比如說邊緣圖。

然后，經過訓練的ControlNet的中間輸出被添加到基礎模型的解碼器層的輸入中。在ControlNet的整個訓練過程中，基礎模型的權重保持凍結狀態。

ControlNet-XS的研究者們認為這種方法存在問題，ControlNet不必這么龐大。

首先是Stable Diffusion最終輸出圖像，是在一系列步驟中迭代生成的。每個步驟會在U-Net網絡結構的編碼器（Encoder）和解碼器（Decoder）兩部分中執行。

每次迭代基礎模型和控制模型的輸入是前一個步驟生成的圖像。控制模型還接收一個控制圖像。

問題在于，在編碼器階段這兩個模型都獨立運行，而控制模型的反饋只在基礎模型的解碼階段輸入。

總之，結果就是一個延遲的校正/控制機制。

也就是說ControlNet必須執行兩項任務：一邊校正/控制，一邊還要提前預測基本模型的編碼器將犯哪些“錯誤”。

通過暗示圖像生成和控制需要相似的模型容量，自然而然地可以用基礎模型的權重初始化ControlNet的權重，然后進行微調。

而對于ControlNet-XS，研究人員表示從設計上就與基礎模型不同，是從零開始訓練ControlNet-XS權重，解決了延遲反饋的問題。

如上圖所示，方法是從基礎模型的編碼器添加連接到控制編碼器（A），這樣校正過程可以更快地適應基礎模型的生成過程。但這并不能完全消除延遲，因為基礎模型的編碼器仍然沒有受到引導。

因此，研究人員從ControlNet-XS添加額外的連接到基礎模型編碼器，直接影響整個生成過程（B）。

此外，他們還評估了在ControlNet設置中使用鏡像解碼架構是否有用（C）。

最終，研究人員在COCO2017驗證集上，針對Canny邊緣引導的三種不同變體（A、B、C）與原始的ControlNet進行了FID分數性能評估。

結果所有變體都有了顯著提升，同時僅使用了原始ControlNet參數的一小部分。

研究人員又拿出了變體B，分別使用Canny邊緣圖和深度圖引導，針對StableDiffusion2.1和StableDiffusion-XL分別訓練了三種不同大小的模型。

所以下一步就等相關論文、代碼以及預訓練模型公布啦～

項目地址：https://vislearn.github.io/ControlNet-XS/