pika北大斯坦福联手，开源最新文本-图像生成/编辑框架！

无需额外训练，即可让扩散模型拥有更强提示词理解能力。

面对超长、超复杂提示词，准确性更高、细节把控更强，而且生成图片更加自然。

效果超越最强图像生成模型Dall·E 3和SDXL。

比如要求图片左右冰火两重天，左边有冰山、右边有火山。

SDXL完全没有符合提示词要求，Dall·E 3没有生成出来火山这一细节。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

还能通过提示词对生成图像二次编辑。

这就是文本-图像生成/编辑框架RPG（Recaption,Plan and Generate），已经在网上引起热议。

它由北大、斯坦福、Pika联合开发。作者包括北大计算机学院崔斌教授、Pika联合创始人兼CTO Chenlin Meng等。

目前框架代码已开源，兼容各种多模态大模型（如MiniGPT-4）和扩散模型主干网络（如ControlNet）。

利用多模态大模型做增强

一直以来，扩散模型在理解复杂提示词方面都相对较弱。

一些已有改进方法，要么最终实现效果不够好，要么需要进行额外训练。

因此研究团队利用多模态大模型的理解能力来增强扩散模型的组合能力、可控能力。

从框架名字可以看出，它是让模型“重新描述、规划和生成”。

该方法的核心策略有三方面：

1、多模态重新描述（Multimodal Recaptioning）：利用大模型将复杂文本提示拆解为多个子提示，并对每个子提示进行更加详细的重新描述，以此提升扩散模型对提示词的理解能力。

2、思维链规划（Chain-of-Thought Planning）:利用多模态大模型的思维链推理能力，将图像空间划分为互补的子区域，并为每个子区域匹配不同的子提示，将复杂的生成任务拆解为多个更简单的生成任务。

3、互补区域扩散（Complementary Regional Diffusion）：将空间划分好后，非重叠的区域各自根据子提示生成图像，然后进行拼接。

最后就能生成出一张更加符合提示词要求的图片。

刺鸟创客

一款专业高效稳定的AI内容创作平台

110 查看详情

RPG框架还可以利用姿态、深度等信息进行图像生成。

和ControlNet对比，RPG能进一步拆分输入提示词。

用户输入：在一间明亮的房间里，站着一位身穿香槟色长袖正装、正闭着双眼的漂亮黑发女孩。房间左边放着一只插着粉色玫瑰花的精致蓝花瓶，右边有一些生机勃勃的白玫瑰。

基础提示词：一个漂亮女孩站在她的明亮的房间里。

区域0：一个装着粉玫瑰的精致蓝花瓶

区域1：一个身穿香槟色长袖正装的漂亮黑发女孩闭着双眼。

区域2：一些生机勃勃的白玫瑰。

也能实现图像生成、编辑闭环。

实验对比来看，RPG在色彩、形状、空间、文字准确等维度都超越其他图像生成模型。

研究团队

该研究有两位共同一作Ling Yang、Zhaochen Yu，都来自北大。

参与作者还有AI创企Pika联合创始人兼CTO Chenlin Meng。

她是斯坦福计算机博士，在计算机视觉、3D视觉方面有着丰富学术经历，参与的去噪扩散隐式模型（DDIM）论文，如今单篇引用已有1700+。并有多篇生成式AI相关研究发表在ICLR、NeurIPS、CVPR、ICML等顶会上，且多篇入选Oral。

去年，Pika凭借AI视频生成产品Pika 1.0一炮而红，2位斯坦福华人女博士创办的背景，使其更加引人注目。

△左为郭文景（Pika CEO），右为Chenlin Meng

参与研究的还有北大计算机学院副院长崔斌教授，他还是数据科学与工程研究所长。

另外，斯坦福AI实验室博士Minkai Xu、斯坦福助理教授Stefano Ermon共同参与这项研究。

论文地址：https://arxiv.org/abs/2401.11708

代码地址：https://github.com/YangLing0818/RPG-DiffusionMaster

以上就是用LLM提升理解力，Pika北大斯坦福开源新框架，更深入理解复杂提示词的扩散模型的详细内容，更多请关注其它相关文章！

# 互动  # 怀化产品网站建设平台  # 云建站的网站可以优化吗  # seo的收费标准  # 营销推广领导发言稿简短  # 台州网站建设信息网  # 重庆旅行社seo  # 凌海品牌网站建设招标  # 天津网络营销网站推广  # 任丘同城推广招聘网站  # seo指数关键词  # 房间里  # 生机勃勃  # ai  # 已有  # 多个  # 麦当劳  # 多模  # 北大  # 开源  # 斯坦福  # controlnet  # gling  # pika  # 技术 

相关栏目： 【 行业资讯67740 】 【 技术百科0 】 【 网络运营39195 】

相关推荐： 恋爱软件免费聊天不收费的有哪些  抖音GMV是什么_抖音GMV是什么意思  typescript中范围如何设定  苹果16多有哪些功能  课程伴侣登不上怎么办  如果公司ttm市盈率为负数是什么意思  16苹果有哪些机型  春运抢票可以抢几次票  j*a怎么存放数组中  单片机引脚怎么改成上拉  如何查询固态硬盘序列  如何用命令提示符显示隐藏分区  空调控制面板power灯一直亮是什么意思  夸克链信有什么用  固态硬盘电脑如何设置  typescript如何开发  什么是域名解析地址  苹果16系统有哪些系列  sql isnull函数如何使用  bugly是什么  固态硬盘坏了如何换硬盘  征信信用不好如何恢复 征信信用不好如何恢复指南  excel中datediff函数怎么用  夸克文字口令是什么意思  j*a怎么清除数组  云淡风轻什么意思  苹果16系统多了哪些  皓影混动仪表盘上power是什么意思  单片机.lib文件怎么打开  市盈率静是什么意思  单片机蓝牙怎么开启设备  手机拍显示屏有条纹怎么去除  typescript接口怎么选  如何看固态硬盘信息  跑步机power键是什么意思  市盈率动亏损是什么意思  xdm是什么意思  如何选择启用固态硬盘  苹果16系统有哪些功能  typescript干什么的  手机如何更改固态硬盘  春运车票啥时候可以抢票  分销是什么意思  冰柜power是什么意思这个黄灯怎么不亮  直接gmV是什么意思？直接GMV:定义和概念  华为如何面对苹果16  如何激活固态硬盘  如何编写一个linux命令  如何判断固态硬盘端口  更换固态硬盘如何检查