文生图可控生成之T2I-adapter原理

• 论文：T2I-Adapter: Learning Adapters to Dig out More Controllable Ability for Text-to-Image Diffusion Models
• 代码：TencentARC/T2I-Adapter
• 系列文章：
  • 可控生成之ControlNet原理
  • 可控生成之GLIGEN原理

在前面的文章中，我们介绍过了使用ControlNet来控制文生图模型生成图片，今天介绍将要介绍的T2I-Adapter在功能方面完全与ControlNet一样，但是网络结构完全不同，相比起来更加轻量化，并且个人认为 T2I-Adapter 的网络结构更具有代表性，未来在控制方面有更大的概率都会以 T2I-Adapter 的网络结构呈现，即直接将额外的控制信息直接和 text embedding 一起注入到 Unet 中

1. 动机及贡献

文生图模型近年来已经取得巨大进展，能够生成非常逼真的图片，但是完全使用文本来控制模型生成，并不能充分发挥出模型的性能，本文的目的就是想通过其他控制信息来挖掘文生图模型的能力，从而提升模型更加精细化控制的能力。对此，作者提出了一个简单且轻量化的 T2I-Adapter 来对齐模型内部知识和其他额外的控制信号，这样的话，开发者可以根据不同条件训练多个adapter来实现更加丰富的控制。

T2I-Adapter 作为独立于预训练的文生图模型外的控制网络，具有以下优点：

• 即插即用：它不会改变原始的文生图预训练模型（如SD1.5/ SDXL等）的结构和性能，它作为一种插件存在。
• 简单和轻量化：能够以很小的训练代价与已有的预训练文生图模型结合，整个插件模型只有 77M 的参数，大约只占300M的存储空间
• 灵活使用：可以根据不同的控制条件训练各种adapter，包括颜色、复杂结构的控制等，并且多个adapter可以组合使用，实现更复杂的控制
• 泛化性强：经过一次训练，它可被用在各种以相同base模型finetune后的模型上

2. Method

T2I-Adapter 的整体结构如下图所示，它由一个预训练的SD模型和一些adapters组成，这些adapter用于抽取不同控制条件的特征，预训练的SD模型的参数是固定的，它根据输入的文本特征和其他控制条件特征来生成图片。

2.1 Adapter 设计

Adapter 设计成了一种轻量化结构，如上图右下角所示，它由4个特征抽取块和3个下采样块组成，控制条件的原始输入分辨率是 $512\times 512$，这里使用了 pixel unshuffle 操作将输入下采样到 $64\times 64$ 分辨率。如上图右下角所示，每个scale中包含一个卷积层和两个残差块，来抽取输入条件的特征 $F_c^k$ ，最终构成多个层面的特征 F c = { F c 1 , F c 2 , F c 3 , F c 4 } \mathbf{F}_c=\{\mathbf{F}_c^1,\mathbf{F}_c^2,\mathbf{F}_c^3,\mathbf{F}_c^4\} Fc​={ Fc1​,Fc2​,Fc3​,Fc4​}，注意这里的每个特征 ${\mathbf{F}}_c$ 和输入到Unet中的文本特征 F e n c = { F e n c