Prompt-Free Diffusion: Taking “Text” out of Text-to-Image Diffusion Models

• CVPR2024 SHI Labs
• https://arxiv.org/pdf/2305.16223
• https://github.com/SHI-Labs/Prompt-Free-Diffusion

1. 问题引入

• 在SD模型的基础之上，去掉text prompt，使用reference image作为生成图片语义的指导，optional structure image作为生成图片structure的指导来进行生成；
• 使用SeeCoder来提取参考图片的embedding作为生成条件，且SeeCoder是可以重复使用的，可以直接集成到另外的T2I模型中；

2. methods
   

• 使用SeeCoder代替CLIP text embedding；
• SeeCoder包含三个部分，Backbone Encoder, Decoder, and Query Transformer，其中Backbone Encoder使用SWIN-L提取多尺度特征，该部分参数是冻结的；之后decoder使用卷积来使得多尺度特征通道数相同，然后进行flatten+concat，得到的结果通过self attn + ffn；之后Query Transformer输出视觉embedding；