社区

克雷西 发自 凹非寺
量子位 | 公众号 QbitAI

为了让AI画出的人更加逼真，港中大博士生用了3.4亿张图像专门训练画人。

人物的表情、姿态，环境的空间关系、光线都能合理布局，可谓立体感十足。

就连爆火的SDXL也不是它的对手，话不多说，直接上图！

这个模型的名字叫HyperHuman，主打的就是一个真实立体。

它解决了Stable Diffusion等传统AI绘图工具在画人时图像不连贯、姿态不自然的问题。

而且不仅画得好，也更加“听话”，画出的内容能更好地匹配提示词。

那么下面就来具体看看HyperHuman都能创作出哪些作品吧！无论是孩子还是老人，各个年龄段的人人物形象HyperHuman都可以画。

人物的动作、表情自然，空间关系看着也很合理。

不仅是图本身看上去真实，和提示文本的匹配也十分精确。

人物之外，HyperHuman能绘制出的场景类型也多种多样。无论是单人还是多人，是滑雪或者冲浪……

如果和其他模型对比一下的话……

很明显，在这组提示词中，其他模型基本上都没能正确画出停止标志，而HyperHuman则正确地绘制了出来。

A man on a motorcycle that is on a road that has grass fields on both sides and a stop sign.

而在这一组中，其他模型的作品或者不知所云，或者出现各种细节问题，更有甚者画出的人长了三只脚，但HyperHuman依旧是稳定发挥。

Mastering the art of skateboarding is profoundly beneficial.

不仅是直观感受，在数据上HyperHuman也是全面碾压包括SD2.0在内的一众竞争对手。

图像质量方面，HyperHuman的FID、KID两项指标（均为数值越低效果越好）都超过了其他模型四分之一以上。

姿势准确度上，HyperHuman的两项评分也明显胜过了ControlNet等其他模型。

那么，HyperHuman又是如何实现的呢？

联合学习，分步生成

为了提高HyperHuman的效果，研究团队一共提出了两个思路。

首先是同时学习图片的颜色、深度图和法线图。

颜色反映外观，深度图反映物体位置，法线图反映表面角度。将它们一起学习，可以让模型更好地理解图片内容。

第二点则是分阶段生成，先使用文本和骨架点作为条件，生成颜色、深度和法线三者的初步合成结果。然后以前面生成的条件作为指引，生成更高分辨率和质量的图片。

具体实现上，HyperHuman和SDXL一样也是采用扩散模型。

具体而言，HyperHuman使用的是“潜在结构（latent structal）”模型。

它的核心包括以下两个模块：

• 联合去噪模块：具有多个输入输出分支的统一网络结构，在颜色、深度和法线图三个维度同时去除噪声。

• 结构指导模块：用上一步产生的结果作为条件和指引，实现结构到纹理的精细化生成。

此外，为了提高鲁棒性，模型在生成过程中还会选择的的对一些条件进行取舍。

训练数据方面，开发者将LAION-2B和COYO两个数据集中的公开资源进行整合并处理、标注，得到了约3.4亿张图像的HumanVerse数据集。

结果在基于COCO 2014数据集的多个绘图模型横评中，HyperHuman（红色）都取得了最佳成绩，如果考虑文本匹配度，HyperHuman更是一骑绝尘。

△FID数值越低成绩越好

除了测试数据，研究人员还招募了100名用户，调查了他们更青睐于哪种模型的作品。

他们被要求选出更逼真、质量更好的图像，结果和另外多种模型相比，HyperHuman都更受欢迎。

作者简介

HyperHuman论文第一作者是香港中文大学博士生Xian Liu。

HyperHuman是他在Snap公司实习期间完成的，Snap的Sergey Tulyakov等人也参与了本项目。

此外还有香港大学和南洋理工大学的学者对HyperHuman亦有贡献。

— 完 —