AnyDoor任意门：零样本物体级图像定制化

---

一、AnyDoor简介

1. “任意门”算法：可以将任意目标传送到指定场景的指定位置，无需微调，便捷生成高质量、高保真的合成图像。被传送的目标会自动对新的场景进行姿态、角度、动作等方面的调整，确保生成图像的多样性以及和谐度。
2. 该算法可以完成多种图像生成或编辑任务如：图像定制化，多目标组合，虚拟试衣；同时，经过简单拓展，任意门算法可以完成更多神奇的应用比如物体移动、换位等。

二、AnyDoor方法

• 核心思想： 将目标表征成“ID相关”和“细节相关”的特征，然后将他们组合到与背景场景的交互中。
• 算法流程：
• 1. 给定一张目标图，使用分割模型对该图进行背景去除；
• 2. 用ID extractor进行ID特征提取；同时使用高频滤波器提取参考图的高频细节分类，将该高频图拼贴到背景图的指定位置，送入Detail extractor进行细节提取；
• 3. 将提取的ID特征和细节特征注入预训练的文生图大模型以控制最终的生成结果。

（一）ID特征提取

首先通过一个分割模块去除目标物体的背景，然后使用DINO-V2模型提取物体的身份信息。

• Segmentor：去除背景，并将对象对齐到图像中心
• ID Extractor： DINO-V2 作为 ID 提取器的Backbone，使用单个线性层将 ID 提取器的 token 对齐到预训练的文本到图像的 UNet 中。

以往使用的CLIP 的训练数据是粗略描述的文本图像对，只能嵌入语义级别的信息，而难以保留有区分度的对象身份表示；DINO-V2是一种强大的自监督模型，在保留高辨别度特征方面，自监督模型展现了更强大的能力。

（二）细节特征提取

提出了一种频率感知的细节特征提取器，用于提取目标物体的高频细节信息。

• 防止生成的图像和参考图过于相似：提取参考图中的高频分量用于表达细节特征
• 将高频分量图和背景图拼贴在一起，用Detail extractor提取一组不同尺度的特征图送入U-Net进行监督

（三）特征注入

核心就是通过交叉注意力机制，将物体特征引入到Unet的生成过程中：

• 使用Stable Diffusion作为backbone，将ID特征通过cross-attention注入Stable Diffusion的每一层；
• 同时我们将细节特征和UNet decoder的特征进行concat融合。
• 在训练过程中，我们将UNet Encoder的参数固定，对Decoder参数进行微调。
  

（四）视频、图像动态采样

为了学习“同一个目标在不同场景的外观变化”，收集了大量图像视频数据进行联合训练：

• 对于视频数据，使用分割以及跟踪标注构造样本对；
• 对于静态图像，对图像进行扩充构造样本对。
  

该方式构造的数据面临一个问题：视频样本有很高的多样性，但是画质模糊；图像样本画质清晰，但是不能很好的建模目标的姿态、动作变化。由此我们提出动态采样的方法：

• 1. 在去噪训练的初始阶段更多的采样视频样本，由此学习更大幅度的外观变化；
• 2. 在去噪的后期更多的采样静态图像，以学习更好的细节重建能力。

参考：
任意门：零样本物体级图像定制化
再也不怕合照缺人，Anydoor为图片编辑开了一道「任意门」
【AIGC实践篇4】：来自阿里的AnyDoor模型开源，图像工业应用侧的大利好，任意物体放入任意场景。