Prompt-to-Prompt：基于 cross-attention 控制的图像编辑技术

Hertz A, Mokady R, Tenenbaum J, et al. Prompt-to-prompt image editing with cross attention control[J]. arXiv preprint arXiv:2208.01626, 2022.

Prompt-to-Prompt 是 Google 提出的一种全新的图像编辑方法，不同于任何传统方法需要用户指定编辑区域，Prompt-to-Prompt 只需要用户对 prompt 文本进行编辑，就能获得图像编辑的直观体验。并且 Prompt-to-Prompt 基于预训练的 Latent Diffusion 或 Stable Diffusion，不需要任何训练或微调，可以直接拿来做编辑任务。

Prompt-to-Prompt 所做的任务是根据编辑指令进行图像编辑，保证了编辑不对图像产生大的变动。具体方法是通过在 diffusion 模型的扩散过程中注入 cross-attention maps，来控制 pixels 在扩散过程中关注 prompt 文本的 tokens，从而编辑图像。Cross-attention 层是联系图像空间布局、几何形状和 prompt 文本中 tokens 的关键，这也是本文的一个重要创新。

一. 研究思路

在图像编辑方法出来之前，想要修改图像都是通过 $?$ 遮盖 + 修改 $?$ 的方法进行的，这种局部修改方法比较慢，而且遮盖还会丢失关键信息。但要想直接对图像进行编辑，又有一个相当棘手的问题，就是任何输入文本的微小变动都可能使模型生成的图像发生巨大的改变，而图像编辑需要尽可能保持原有图像。

于是文中提出了一种 Prompt-to-Prompt 方法，使用基于文本的预训练 diffusion 模型，通过调整模型生成图像过程中的 cross-attention maps，从而保证在尽可能保持原有图像的空间布局和几何外观的情况下实现图像编辑。

Prompt-to-Prompt 主要适用于以下三种任务：

• Word Swap：替换文本中的某个单词，也称为 Replacement；
• Adding a New Phrase：增加一段新的描述以改变图像风格或增加图像细节，也称为 Refinement；
• Attention Re–weighting：增强或减弱某个单词（一般是形容词）在图像中的作用效果，也称为 Re-weight；

Our approach constitutes an intuitive image editing interface through editing only the textual prompt, therefore called Prompt-to-Prompt. This method enables various editing tasks, which are challenging otherwise, and does not requires model training, fine-tuning, extra data, or optimization. Throughout our analysis, we discover even more control over the generation process, recognizing a trade-off between the fidelity to the edited prompt and the source image. We even demonstrate that our method can be applied to real images
by using an existing inversion process. Our experiments and numerous results show that our method enables seamless editing in an intuitive text-based manner over extremely diverse images.

二. Cross-Attention 控制

cross-attention 层是控制图像空间布局 (spatial layout) 和 prompt 中分词 (token) 关系的关键，高维张量 cross-attention maps 可以在 pixels 和 tokens 间建立连接。以 text-conditioned diffusion 的一次图像生成过程为例，pixels 和 tokens 间的联系如下：

所以 Prompt-to-Prompt 通过在扩散过程向预训练模型中注入特定的 cross-attention maps，能够使得一些 pixels 去匹配对应的 tokens。为了维持原始图像的空间布局与几何形状，可以在生成编辑图像的过程中向 cross-attention maps 中注入原始图像的特定 cross-attention maps。

1. Replacement

当想要替换文本中的某个单词时，用原始图像的 cross-attention maps $M_t$ 替换目标图像的 cross-attention maps $M_t^{?}$，这样就可以在维持原始图像空间布局的情况下表示新的语义。

2. Refinement

当想要增加描述时，就将原始文本中没有改变的 token 对应的 $M_t$ 部分注入 $M_t^{?}$，这样就可以在维持原始图像空间布局的情况下编辑图像细节或风格。

3. Re-weight

当想要增强或减弱某个单词在图像中的作用效果时，只需要调整 cross-attention maps 中 token 对应部分的权重即可。

三. 编辑图像生成

Prompt-to-Prompt 使用基于文本的预训练 diffusion 模型，通过调整模型生成图像过程中的 cross-attention maps，以实现图像编辑。所以 Prompt-to-Prompt 不需要对模型进行训练或微调，也不需要任何训练数据，用户只需要编辑 prompt 文本，就可以直观得体验图像编辑。

记原始图像为 $\mathcal{I}$，原始 prompt 文本为 $\mathcal{P}$，编辑后图像为 ${\mathcal{I}}^{?}$，编辑后 prompt 文本为 ${\mathcal{P}}^{?}$，随机种子为 $s$。$DM(z_t,\mathcal{P},t,s)$ 表示 $t$ 时刻的逆扩散过程，输出隐空间的噪声图像 $z_{t?1}$ 和 cross-attention map $M_t$。 D M ( z t , P , t , s ) { M ← M ^ } DM(z_t, \mathcal P, t,s)\{M \leftarrow \widehat M\} DM(zt?,P,t,s){M←M } 表示替换该步骤中的 $M$ 为 $\hat{M}$，$Edit(M_t,M_t^{?},t)$ 表示 $t$ 时刻的 cross-attention map 是 $M_t$ 或 $M_t^{?}$。

生成编辑图像时，同时使用 diffusion 模型分别对 $\mathcal{P}$ 和 ${\mathcal{P}}^{?}$ 进行图像生成，然后将 $\mathcal{P}$ 生成图像过程中的 $M_t$ 注入 $M_t^{?}$ 得到新的 cross-attention map $\hat{M}$，最后再用 $\hat{M}$ 生成新的 $z_{t?1}^{?}$ 用于下一轮迭代：

1. Replacement

之前忽略了一个问题就是用原始图像的 $M_t$ 替换目标图像的 $M_t^{?}$ 必须有所节制，不然会导致 prompt 中新加的 token 语义无法显现。因此在扩散过程中设置时间节点 $\tau$，$\tau$ 之前按 $M_t^{?}$ 生成编辑图像，之后再注入 $M_t$，因此有：
$$Edit(M_t,M_t^{?},t)=\{\begin{array}{ll}{M}_t^{?}& t<\tau \\ M_t& otherwise\end{array}$$

个人认为这里应该倒过来写，因为逆扩散时 $t$ 的取值是从大到小的。

因此图像的生成过程应该是一开始只表示编辑后的语义但没能维持原有图像的空间布局和几何状态，后来逐渐收敛到原有图像的形状：

2. Refinement

增加一段新的描述时只需要对$\mathcal{P}$ 和 ${\mathcal{P}}^{?}$ 中共有的 token 进行 cross-attention map 注入。使用对齐函数 $A$ 输入 ${\mathcal{P}}^{?}$ 中 token 的索引，输出对应 $\mathcal{P}$ 中 token 的索引；如果没有对应则输出 None。因此有：
$$(Edit(M_t,M_t^{?},t){)}_{i,j}=\{\begin{array}{ll}(M_t^{?}{)}_{i,j}& A(j)=None\\ (M_t{)}_{i,A(j)}& otherwise\end{array}$$

Adding a New Phrase 可以增加图像细节或是改变风格：

3. Re-weight

要想增强或减弱某个单词在图像中的作用效果，只需要给该 token 对应的 cross-attention map 乘上参数 $c\in [?2,2]$，其余 token 的 cross-attention map 保持不变。因此有：
$$(Edit(M_t,M_t^{?},t){)}_{i,j}=\{\begin{array}{ll}c?(M_t{)}_{i,j}& j=j^{?}\\ (M_t{)}_{i,j}& otherwise\end{array}$$

Attention Re–weighting 可以控制 prompt 中某些形容词的作用效果：

四. 应用

见 【AIGC第六篇】Prompt-to-Prompt：基于cross-attention控制的图像编辑技术。

五. 总结

Prompt-to-Prompt 最主要的贡献就是发现了 text-conditioned diffusion 模型中 cross-attention 的强大功能，能够控制图像的空间布局和 prompt 文本中每个 token 之间的交互。通过 cross-attention maps 注入，Prompt-to-Prompt 提出了三种编辑方法：Replacement、Refinement、Re-weight，在实际应用中都实现了令人满意的效果。

六. 复现

Prompt-to-Prompt 基于 Latent Diffusion 或 Stable Diffusion，使用时需要提供 HuggingFace 访问私有模型的身份验证令牌，demo 如下：

• prompt-to-prompt_stable.ipynb；
• prompt-to-prompt_ldm.ipynb；