OneDiffusion – 无缝支持双向图像合成和理解的开源扩散模型-爱论文

OneDiffusion是什么

OneDiffusion是AI2推出的多功能大规模扩散模型，能无缝支持双向图像合成和理解，涵盖文本到图像生成、条件图像生成、图像理解等多种任务。基于将所有条件和目标图像建模为序列“视图”训练，实现在推理时任意帧作为条件图像的能力。OneDiffusion以其统一的训练框架、可扩展性和对多任务的支持，提供一种通用的视觉模型解决方案。

OneDiffusion的主要功能

文本到图像合成：从文本提示生成高质量、逼真的图像。条件图像生成：基于输入图像（如深度图、姿态图）生成新图像。图像理解：执行如深度估计、姿态估计和图像分割等任务。多视图生成：从单一图像生成多个视角的一致视图。即时个性化：用序列图像输入进行个性化生成。ID定制：基于个人身份信息进行图像定制和生成。零样本高分辨率生成：即使在训练中未遇到高分辨率，也能生成高分辨率图像。

OneDiffusion的技术原理

流匹配框架：用流匹配（Flow matching）框架训练连续时间生成模型，学习时间依赖的向量场转换概率分布。序列建模：将所有条件和目标图像建模为一系列“视图”，在训练时作为序列处理，每个视图带有不同噪声水平。灵活的框架：在推理时，任何视图都能用作条件输入或被设置为噪声，生成输出图像。统一训练框架：基于统一的训练框架，去除对特定架构的需求，支持可扩展的多任务训练，并能适应任意分辨率。噪声调度：在训练过程中，独立采样每个视图的时间变量和高斯噪声，实现不同噪声水平的视图。

OneDiffusion的项目地址

GitHub仓库：https://github.com/lehduong/OneDiffusion/arXiv技术论文：https://arxiv.org/pdf/2411.16318

OneDiffusion的应用场景

艺术创作与设计：用文本到图像合成功能，艺术家和设计师从创意描述生成视觉内容，加速创作过程。广告与营销：基于条件图像生成，根据特定的品牌风格或市场趋势定制图像，用于广告和营销材料。游戏开发：在游戏设计中，快速原型设计，生成游戏环境、角色和物品的多样化视图。虚拟现实(VR)与增强现实(AR)：多视图生成功能创建360度全景图像，增强VR和AR应用中的沉浸式体验。电影与娱乐：电影制作中，生成特效场景的初步草图，或用于快速预览场景布局。