DreamOmni – 港中文、字节等机构共同推出的统一图像生成和编辑模型-爱论文

DreamOmni是什么

DreamOmni 是香港中文大学、字节跳动和香港科技大学共同推出的统一图像生成和编辑模型。模型整合文本到图像（T2I）生成和多种编辑任务，包括指令式编辑、修复、拖拽编辑和参考图像生成。DreamOmni 基于一个高效的合成数据管道解决高质量编辑数据的创建难题，支持模型训练和扩展。基于联合训练T2I和编辑任务，强化对概念的理解并提升图像生成质量。在广泛的实验评估中，DreamOmni 以卓越的性能在图像生成和编辑任务中展现显著的优势。

DreamOmni的主要功能

统一图像生成和编辑：DreamOmni 能处理从文本到图像的生成（T2I）以及多种图像编辑任务，如指令式编辑、修复（如修复和扩展）、拖拽编辑和参考图像生成。合成数据管道：用类似贴纸的元素，高效、准确地合成大规模的高质量编辑数据，支持统一模型的训练。联合训练：结合 T2I 数据和各种编辑任务的数据进行训练，提升模型对特定概念的理解，改善生成质量，增强编辑性能。多任务支持：模型能理解和执行添加、移除、替换等操作，及处理图像的平移、旋转和缩放等编辑任务。

DreamOmni的技术原理

框架设计：将 T2I 模型与多种编辑任务整合在一起，实现多任务学习。视觉-语言模型（VLM）：基于VLM 统一编码视觉和语言提示，将编码的提示与噪声潜在表示结合，实现联合计算。合成数据生成：基于合成拼贴数据管道，DreamOmni 能创建精确的编辑数据，支持添加、删除、替换操作，及拖拽编辑和参考图像生成。多模态输入兼容性：框架设计简单，与多模态输入兼容，使 DreamOmni 能处理复杂的提示和图像条件。训练策略：DreamOmni 采用分阶段训练策略，从低分辨率到高分辨率逐步训练，优化模型性能和训练效率。优化技术：使用如 Rectified Flow 等技术优化模型，以线性插值的方式在噪声和数据之间进行前向过程，提高生成质量和效率。

DreamOmni的项目地址

项目官网：zj-binxia.github.io/DreamOmni-ProjectPagearXiv技术论文：https://arxiv.org/pdf/2412.17098

DreamOmni的应用场景

数字艺术创作：艺术家和设计师生成或编辑图像，快速将创意概念转化为视觉作品。游戏开发：游戏开发者创建游戏资产，如角色、环境和道具，或对现有游戏元素进行编辑。电影和娱乐产业：在电影制作中生成特效背景或编辑现有的场景图像，节省成本和时间。广告和营销：营销人员快速生成吸引人的广告图像和营销材料，适应不同的广告渠道。教育和培训：在教育领域，用来创建教学材料，如图解和模拟场景，增强学习体验。