AIGC系列之：GroundingDNIO原理解读及在Stable Diffusion中使用

目录

1.前言

2.方法概括

3.算法介绍

3.1图像-文本特征提取与增强

3.2基于文本引导的目标检测

3.3跨模态解码器

3.4文本prompt特征提取

4.应用场景

4.1结合生成模型完成目标区域生成

4.2结合stable diffusion完成图像编辑

4.3结合分割模型完成任意图像分割

1.前言

《Grounding DINO: Marrying DINO with Grounded Pre-Training for Open-Set Object Detection》

• github： https://github.com/IDEA-Research/GroundingDINO

        Grounding DINO作者来自清华大学和IDEA（International Digital Economy Academy），Grounding DINO有非常强大的检测功能，提供和文本prompt进行结合自动进行检测，不需要手动参与。输入文本即可输出文本对应的检测对象。称之为目前的Detect Anything。与Mata发布的Segment Anything可以进行结合发挥更加强大的功能。至此CV界的几大研究领域都有了相关的大模型应用，Detect Anything，Segment Anything， Stable Diffusion, Recongnize Anything, Tracking Anything...

2.方法概括

        Grounding DINO是一种开集目标检测方案，将基于Transformer的检测器DINO与真值预训练相结合。开集检测 关键 是引入自然语言至闭集检测器，用于open world的检测。 可实现对新颖类别进行检测，特定属性目标识别。在COCO数据集上零样本检测达到52.5AP，在COCO数据集finetune后达到63AP。主要优势如下：

• 基于Transformer结构与语言模型接近，易于处理跨模态特征；

• 基于Transformer的检测器有利用大规模数据集的能力

• DINO可以端到端优化，无需精细设计模块，比如：NMS

3.算法介绍

        对于图片-文本对，Grounding DINO可以输出多对目标框及对应名词短语。Grounding DINO采用双编码器，单解码器结构。图像backbone 用于提取图像特征，文本backbone用于提取文本特征，特征增强用于融合图像及文本特征，语言引导的query选择模块用于query初始化，跨模态解码器用于框精细化。流程如下：

• 图像及文本backbone分别提取原始图像及文本特征；

• 特征强化模块用于跨模态特征融合；

• 通过语言引导查询选择模块从图像特征中选择与文本对应的跨模态query；

• 跨模态解码器从跨模态query中提取需要特征，更新query；

• 输出query用于预测目标框及提取对应短语。

3.1图像-文本特征提取与增强

        给定一个（图像，文本）对，用 Swin Transformer用于提取图像特征，BERT用于提取文本特征，特征强化层如图3中block2，利用Deformable self-attention强化图像特征，原始的self-attention强化文本特征，受GLIP影响，增加图像到文本跨模态以及文本到图像跨模态，帮助对齐不同模态特征。

3.2基于文本引导的目标检测

        引导文本进行目标检测，作者设计语言引导的query选择机制选择与文本更相关的特征作为解码器的query。算法下图所示。输出num_query索引，据此初始化query。每个decoder query包括两部分：content及position。位置部分公式化为dynamic anchor boxes，使用编码器输出进行初始化；内容部分训练中可学习，查询数量。

3.3跨模态解码器

        跨模态解码器结合图像及文本模态信息，跨模态query经过self-attention层，image cross-attention层与图像特征结合，text cross-attention层与文本特征结合，以及FFN层。与DINO相比，每个解码器都有一个额外的文本cross-attention层，引入文本信息，便于对齐模态。

3.4文本prompt特征提取

        之前工作中探究了两种文本prompt，句子层级表征将整个句子编码为一个特征，移除了单词间影响；单词级表征能够编码多个类别，但引入不必要依赖关系；为避免不相关单词相互作用，作者引入attention mask，此为sub-sentence级表征，既保留每个单词特征，又消除不相关单词间相互作用。

4.应用场景

4.1结合生成模型完成目标区域生成

4.2结合stable diffusion完成图像编辑

人脸编辑，换发型，换背景，换头

替换宠物并生成想要的内容

4.3结合分割模型完成任意图像分割