本篇綜述通過(guò)對(duì)現(xiàn)有的多模態(tài)圖像合成與編輯方法的歸納總結(jié)，對(duì)該領(lǐng)域目前的挑戰(zhàn)和未來(lái)方向進(jìn)行了探討和分析。

近期 OpenAI 發(fā)布的 DALLE-2 和谷歌發(fā)布的 Imagen 等實(shí)現(xiàn)了令人驚嘆的文字到圖像的生成效果，引發(fā)了廣泛關(guān)注并且衍生出了很多有趣的應(yīng)用。而文字到圖像的生成屬于多模態(tài)圖像合成與編輯領(lǐng)域的一個(gè)典型任務(wù)。 近日，來(lái)自馬普所和南洋理工等機(jī)構(gòu)的研究人員對(duì)多模態(tài)圖像合成與編輯這一大領(lǐng)域的研究現(xiàn)狀和未來(lái)發(fā)展做了詳細(xì)的調(diào)查和分析。

論文地址：https://arxiv.org/pdf/2112.13592.pdf

項(xiàng)目地址：https://github.com/fnzhan/MISE

在第一章節(jié)，該綜述描述了多模態(tài)圖像合成與編輯任務(wù)的意義和整體發(fā)展，以及本論文的貢獻(xiàn)與總體結(jié)構(gòu)。 在第二章節(jié)，根據(jù)引導(dǎo)圖片合成與編輯的數(shù)據(jù)模態(tài)，該綜述論文介紹了比較常用的視覺(jué)引導(dǎo)（比如 語(yǔ)義圖，關(guān)鍵點(diǎn)圖，邊緣圖），文字引導(dǎo)，語(yǔ)音引導(dǎo)，場(chǎng)景圖（scene graph）引導(dǎo)和相應(yīng)模態(tài)數(shù)據(jù)的處理方法以及統(tǒng)一的表示框架。 在第三章節(jié)，根據(jù)圖像合成與編輯的模型框架，該論文對(duì)目前的各種方法進(jìn)行了分類，包括基于 GAN 的方法，自回歸方法，擴(kuò)散模型方法，和神經(jīng)輻射場(chǎng)（NeRF）方法。

由于基于 GAN 的方法一般使用條件 GAN 和 無(wú)條件 GAN 反演，因此該論文將這一類別進(jìn)一步分為模態(tài)內(nèi)條件（例如語(yǔ)義圖，邊緣圖），跨模態(tài)條件（例如文字和語(yǔ)音），和 GAN 反演（統(tǒng)一模態(tài)）并進(jìn)行了詳細(xì)描述。

相比于基于 GAN 的方法，自回歸模型方法能夠更加自然的處理多模態(tài)數(shù)據(jù)，以及利用目前流行的 Transformer 模型。自回歸方法一般先學(xué)習(xí)一個(gè)向量量化編碼器將圖片離散地表示為 token 序列，然后自回歸式地建模 token 的分布。由于文本和語(yǔ)音等數(shù)據(jù)都能表示為 token 并作為自回歸建模的條件，因此各種多模態(tài)圖片合成與編輯任務(wù)都能統(tǒng)一到一個(gè)框架當(dāng)中。

近期，火熱的擴(kuò)散模型也被廣泛應(yīng)用于多模態(tài)合成與編輯任務(wù)。例如效果驚人的 DALLE-2 和 Imagen 都是基于擴(kuò)散模型實(shí)現(xiàn)的。相比于 GAN，擴(kuò)散式生成模型擁有一些良好的性質(zhì)，比如靜態(tài)的訓(xùn)練目標(biāo)和易擴(kuò)展性。該論文依據(jù)條件擴(kuò)散模型和預(yù)訓(xùn)練擴(kuò)散模型對(duì)現(xiàn)有方法進(jìn)行了分類與詳細(xì)分析。

以上方法主要聚焦于 2D 圖像的多模態(tài)合成與編輯。近期隨著神經(jīng)輻射場(chǎng)（NeRF）的迅速發(fā)展，3D 感知的多模態(tài)合成與編輯也吸引了越來(lái)越多的關(guān)注。由于需要考慮多視角一致性，3D 感知的多模態(tài)合成與編輯是更具挑戰(zhàn)性的任務(wù)。本文針對(duì)單場(chǎng)景優(yōu)化 NeRF，生成式 NeRF 和 NeRF 反演的三種方法對(duì)現(xiàn)有工作進(jìn)行了分類與總結(jié)。 隨后，該綜述對(duì)以上四種模型方法的進(jìn)行了比較和討論。總體而言，相比于 GAN，目前最先進(jìn)的模型更加偏愛(ài)自回歸模型和擴(kuò)散模型。而 NeRF 在多模態(tài)合成與編輯任務(wù)的應(yīng)用為這個(gè)領(lǐng)域的研究打開(kāi)了一扇新的窗戶。

在第四章節(jié)，該綜述匯集了多模態(tài)合成與編輯領(lǐng)域流行的數(shù)據(jù)集以及相應(yīng)的模態(tài)標(biāo)注，并且針對(duì)各模態(tài)典型任務(wù)（語(yǔ)義圖像合成，文字到圖像合成，語(yǔ)音引導(dǎo)圖像編輯）對(duì)當(dāng)前方法進(jìn)行了定量的比較。 在第五章節(jié)，該綜述對(duì)此領(lǐng)域目前的挑戰(zhàn)和未來(lái)方向進(jìn)行了探討和分析，包括大規(guī)模的多模態(tài)數(shù)據(jù)集，準(zhǔn)確可靠的評(píng)估指標(biāo)，高效的網(wǎng)絡(luò)架構(gòu)，以及 3D 感知的發(fā)展方向。 在第六和第七章節(jié)，該綜述分別闡述了此領(lǐng)域潛在的社會(huì)影響和總結(jié)了文章的內(nèi)容與貢獻(xiàn)。