InstructPix2Pix：通过用户指令编辑图像

Paper: Brooks T, Holynski A, Efros A A. Instructpix2pix: Learning to follow image editing instructions[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2023: 18392-18402.
Introduction: https://www.timothybrooks.com/instruct-pix2pix/
Code: https://github.com/timothybrooks/instruct-pix2pix

InstructPix2Pix 所做的任务是根据用户指令编辑图像。InstructPix2Pix 先使用预训练的 LLM 和 T2I 模型生成大量的训练样本，然后使用生成的样本训练一个条件 diffusion 模型。训练完成的 InstructPix2Pix 可以按用户指令的要求对输入图像进行编辑，包括替换元素、改变风格和背景等。由于图像编辑是发生在 diffusion 的正向过程中，因此训练完成的 InstructPix2Pix 可以在几秒内完成图像编辑，速度非常快。

一. 研究思路

InstructPix2Pix 的目的是按照人为指令进行图像编辑，因此模型只需要输入待编辑的图像和编辑指令，不需要其他任何描述或额外图像，训练完成后进行推理时也不需要额外的微调。但由于缺少训练数据，需要先自行生成大量（原始图像，编辑指令，编辑图像）对以供训练。

二. 生成多模态训练数据

InstructPix2Pix 将大语言模型 GPT-3 和文生图模型 Stable Diffusion 相结合，生成可用于训练的编辑指令和图像：

1. 使用 GPT-3 生成原始图像标题 (Input Caption)、编辑指令 (Instruction) 和编辑图像标题 (Edited Caption)；
2. 使用 Stable Diffusion 根据原始图像和编辑图像的标题生成原始图像和编辑图像；
3. 将原始图像、编辑指令和编辑图像打包，就得到了可用于训练的数据。

1. GPT-3 微调

使用 GPT-3 生成（原始图像标题，编辑指令，编辑图像标题）时，需要对 GPT-3 进行微调以达到生成 triplets 的目的：

1. 在 LAION-Aesthetics V2 6.5+ 数据集上采样 700 个图像标题作为原始图像标题，然后人为标注对应的编辑指令和编辑图像标题；
2. 使用这 700 组数据对 GPT-3 进行微调；
3. 使用微调后的 GPT-3 生成 454445 组（原始图像标题，编辑指令，编辑图像标题）；

如图所示，图中 Input LAION caption 一列都是取自 LAION，第二列和第三列的前一半是人工标注的，后一半浅绿色高亮的是 GPT-3 生成的。

2. Stable Diffusion 修改

使用 Stable Diffusion 根据（原始图像标题，编辑图像标题）生成（原始图像，编辑图像）时，最棘手的问题就是相似的标题描述可能会生成相差较大的图像，下图为 Stable Diffusion 分别根据 “photograph of a girl riding a horse” 和 “photograph of a girl riding a dragon” 生成的图像：

这显然不适合用于 InstructPix2Pix 的训练，因为编辑前后的背景、人物也完全不一样。于是引入了 Prompt-to-Prompt ¹，通过在某些逆扩散过程中共享交叉注意力权重，使得 diffusion 生成相似的图像。

不仅如此，Prompt-to-Prompt 还可以调节逆扩散共享交叉注意力权重的系数 $p$，以达到不同编辑对图像变化大小的控制。但图像变化大小的控制很难直接从图像标题中得出，因此在实际应用中对 $p\sim \mathcal{U}(0.1,0.9)$ 采样，生成 100 组图像再用 CLIP 进行筛选。

三. 训练 InstructPix2Pix 模型

InstructPix2Pix 初始化为预训练的 Stable Diffusion，使用生成的（原始图像，编辑指令，编辑图像）数据对进行训练：

因为 InstructPix2Pix 的输入同时包含原始图像和编辑指令，因此需要在 Stable Diffusion 文本条件 (text condition) 的基础上加上图像条件 (image condition)，记文本条件为 $c_T$，图像条件为 $c_I$。$c_T$ 直接传入 text condition 的输入口即可；$c_I$ 则在编码器 $E$ 的压缩后与隐变量 $z_t$ 拼接，因此需要在模型的第一个卷积层中增加额外的条件输入通道。

为了进一步提高图像生成效果以及模型对输入条件的遵循程度，InstructPix2Pix 还引入了 Classifier-free 引导策略。详见 UC伯克利提出AIGC图像编辑新利器InstructPix2Pix，AI模型P图更加精细。

四. 图像生成

在推理阶段，输入原始图像和编辑指令，InstructPix2Pix 就可以输出编辑后的图像：

五. 总结

InstructPix2Pix 借助 GPT-3 和 Stable Diffusion 生成大规模训练样本，再使用这些训练样本继续训练 Stable Diffusion，从而构建出一个具有更高智能的图像编辑模型 InstructPix2Pix。正因为 InstructPix2Pix 是在大规模数据中训练得到的，所以这是一个通用的图像编辑模型，使用前不需要根据特定任务再做微调，而可以在短暂的几秒内完成图像的编辑。InstructPix2Pix 的出现解决了此前图像编辑方法中存在的编辑指令不直接、不确定的问题，大大推进了 AIGC 的发展进程。

经过实验还发现，InstructPix2Pix 的应用局限于风格和背景的调整，对于局部元素的编辑、增加或删除，效果有待提高。

六. 复现

InstructPix2Pix 的训练需要先使用 GPT-3 和 Stable Diffusion 生成数百个 G 的数据集，再在 8 张 40GB NVIDIA A100 GPU 上训练 25.5 个小时。作者开源了预训练模型，可以直接拿来做下游任务，README 中的 quickstart 写的相当简洁清晰，创建环境后下载预训练模型即可。（HuggingFace 也提供了 demo，可以在线使用）

• 平台：AutoDL
• 显卡：A100-PCIE-40GB 40GB
• 镜像：PyTorch 2.0.0、Python 3.8(ubuntu20.04)、Cuda 11.8
• 源码：https://github.com/timothybrooks/instruct-pix2pix

实验记录：

1. 一开始使用 RTX 3090，编辑图像时一直报错显示 GPU 驱动版本过低，升级驱动 也没成功。后来换成 A100，配有 535.129.03 版本驱动，就可以了；
   
2. 创建完 ip2p 虚拟环境后，使用 conda activate 指令无法激活环境，改为 source activate 即可；
3. 下载预训练模型时经常发生中断，如图所示还有没有读完的 bytes：
   
   如果没有完全下载完成就执行任务，会出现 RuntimeError: PytorchStreamReader failed reading zip archive: failed finding central directory 报错：
   
   如下图没有 Left time 才是下载完成，下载完成后才可以执行图像编辑任务：
   
4. 如果 bash scripts/download_checkpoints.sh 总是下载中断，也可以手动执行脚本内指令，下载到本地再用 FillZilla 上传至 checkpoints 文件夹；
5. 第一次执行时需要下载模型文件和加载管道组件，费时较长，耐心等待即可。以后每次调用就可以直接加载：python edit_cli.py --input imgs/example.jpg --output imgs/output.jpg --edit "XXX"；
   

实验结果：

可以看到，InstructPix2Pix 的主要应用场景还是图像风格和背景的编辑，对于元素替换以及增减这样的局部调整，效果有待提高：

---

1. Prompt-to-Prompt：基于 cross-attention 控制的图像编辑技术 ↩︎