百变背景：AIGC电商图片可控生成技术

✍🏻 本文作者：云芑、因尘、岁星、也鹿

1. 背景

随着AI生成内容（AIGC）技术如Diffusion的飞速进展，现如今，大家已能够轻易地使用Stable Diffusion（SD）[1]等文生图的模型或工具，将心中所想仅凭语言描述（prompt）即转化为具体图像。基于此，我们不禁思考：是否有可能进一步发展该技术，允许用户通过描述来为商品定制特定背景，从而协助商家快速且轻松地打造理想的商品图像？例如，为一个包生成一个室内桌面摆放的背景，或是为某款连衣裙创造出站在海边的、气质甜美的模特形象等。

正是出于这样的设想，我们基于SD和一些图像控制模型（如controlNet[2]）成功实现了这一功能，并推出了AI创意生产工具——万相实验室（https://agi.taobao.com/），生成效果如下图所示，页面上轻松点选，短短几分钟，同一个商品便可以轻松拥有千变万化的背景场景，服装模特也可以调整各种肤色发型。

然而在这一过程中，我们在商品/元素控制、模特控制、背景控制上也遇到了一系列挑战。如商品特征不准确、控制局部元素和背景虚化间存在trade off、模特属性与描述不匹配、模特手部畸形、指定颜色的纯色背景生成困难等问题。为了达到更好的效果，我们进行了一番探索并总结出了若干有效的控制方法。在接下来的文章中，我们将围绕各个问题进行详细阐述。

2. 商品/元素控制

为了实现商品换背景这一功能，最直接的方法是采用图像修复（inpainting）技术。具体来说，我们可以结合使用SD模型与inpainting controlNet，将抠出的商品视作图像的前景部分，而将其余区域视为待处理的背景。然后通过prompt精准地指导背景的修复内容。然而，直接应用开源模型容易导致商品的过度补全问题，商品特征难以正确保持。如下图展示的例子，一瓶精华液上长出了一个多余的盖子，这显然是难以接受的。为了解决这个问题，我们提出了两种方法：一是进行实例掩模（instance mask）训练，二是在推理时引入基于掩码的Canny边缘控制网络（Masked Canny ControlNet，详见论文>>https://arxiv.org/abs/2404.14768）。

2.1 Instance Mask训练

从普通inpainting模型的训练过程中，可以分析出商品过度补全的主要原因在于，在数据构造过程中，会在图像上随机圈出一个区域生成mask（如下图所示），以该mask划分前背景来训练，图上的物体很容易被这个mask给截断，因此训出的模型倾向于对物体外观形状进行联想补全。为了减少这种现象，更好地生成商品图，我们收集了一批淘宝商品图像，通过牛皮廯过滤、美观度打分等操作过滤出较为优质的数据，再通过分割模型得到商品前景的mask（如下图所示），以这种instance mask构建数据集并训练inpainting模型。

2.2 Masked Canny ControlNet推理

在使用了Instance Mask训练后，商品过度补全的现象有明显缓解，但还是有一定概率出现，于是我们在推理时加入了Canny ControlNet来帮助控制商品形状。但由于Canny ControlNet在训练时是以全图canny为条件控制训练的，直接叠加Canny ControlNet，背景区域会因为Canny图中无梯度而在生成图中虚化严重，与prompt描述不符。为此，我们提出了一种training-free的策略，如下图所示（Text Encoder和Inpainting ControlNet省略），在Canny ControlNet与U-net结合时，我们增加了一个商品前景的mask，并对该mask进行膨胀，与ControlNet的输出进行点乘，得到的结果再输入到U-net的decoder中。这一操作利用了latent与像素空间的位置一致性和controlNet训练模式的特殊性，有效地控制了商品的边缘轮廓，且排除了canny图背景区域对prompt控制的干扰。

2.3 效果

使用上述两个方法后，商品过度补全的现象有明显缓解，对比如下所示。

此外，Masked Canny ControlNet还能作用到"自由元素"构图上，即为了增强画图的控制准确性，用户可以拖动一些元素（如展台、蛋糕等）的canny图到画布中，该策略将mask由前景其余扩展到前景+元素区域，可保证前景和元素的正确生成，同时避免其余背景区域过于虚化或简单，能够按promopt生成，效果如下图所示。

3. 模特属性控制

为了准确地控制视觉效果，大家经常会在prompt中给要生成的模特或者背景物体加上一些属性约束，例如红色的头发、白色的桌面等，但结果往往不尽如意，模型并不能生成指定的属性（下文简称为属性绑定问题）。如下图所示，输入prompt “a blue bowl, a white cup, and yellow flowers in a grassy park”和视觉控制条件Canny Edge， 结果如右上角所示，prompt中相关部分为“a white cup”，但SD+ControlNet错误地将杯子的颜色生成了蓝色。

目前已有文章[3]分析属性绑定问题主要是在于属性和物体的attention map重合度不高，于是有了许多training-free方法[4-6]在text-to-image文生图场景来解决这个问题。但将这些方法应用到我们的场景中时，发现图像控制图像导致其效果大打折扣，要么属性绑定失败率较高，方法失效；要么容易违背视觉条件的控制，产生用户不想要的结果或者artifacts。为此，我们提出了一种新的training-free的方法“Mask-guided Attribute Binding”（MGAB，详见论文>>https://arxiv.org/abs/2404.14768），在有图像控制的条件下实现精准的属性绑定。

3.1 解决方案

首先，我们可以通过语法分析得到物体及要绑定的属性。然后，在生图过程中，我们引入了object mask来代表视觉控制中需要绑定属性的物体区域，同时设计了简单而有效的目标函数，在视觉控制条件和object mask的双重约束下，在隐空间拉近属性词与物体词attention map分布的距离。具体来说，如下图所示，文本提示和图像条件作为图像控制生成的基本输入，其中表示提示的长度。此外，还提供了相关的object mask集合 ，其中表示与和中描述的第个对象相关联的mask。我们用设计的损失函数，在去噪过程中的每个时间步迭代地去噪并更新噪声的latent变量。

我们使用依存关系解析器spaCy来分析文本prompt，并提取出所有的属性词-物体词组合 。中包含对组合，和 分别表示物体词和对应属性词索引。和分别代表prompt中与视觉控制条件匹配/不匹配两部分的关系集合。在前向降噪过程中，我们可以分别从SD和ControlNet中获得与promopt的cross attention map，分别命名为和，代表了文本prompt中的词与视觉像素之间的相关程度。对于prompt提示词，attention map的计算公式如下：

其中，和分别来自于和的embedding变形后表示。我们的主要目标是，在视觉控制和object mask的条件下，最小化中属性词-物体词组合 的attention map的分布距离。为此，我们设计了一个损失函数，Language-guided loss。

其中，是一个计算attention maps之间距离的函数，代表和之间的KL散度。这个loss将在每一步降噪中，不断拉近物体词在中的attention map与属性词在中的attention map的距离，同时将，的attention map与跟它们不相关的提示词对应的attention map拉远。

更进一步的，我们还提出了另一个Mask-guided loss ，将目标物体和它对应的属性词的attention map的关注的区域都最大程度的限制在object mask区域内：

其中，等式右侧括号的两个对象，前者代表提示词对应的里attention map在object mask 里的权重，后者则代表在object mask 外的权重。显然，在迭代过程中，前者将越来越大，后者反之。

最终，Language-guided loss和Mask-guided loss将结合起来，在前向降噪的每一步通过更新zt来拉近物体词和对应属性词attention map的分布。

3.2 效果展示

我们分别结合四种不同类型的ControlNet，复现了各种提升属性绑定准确度的方法，并与我们的方法在coco上进行实验和对比。可以看到我们的方法在属性绑定、与prompt的匹配程度等方面均有比较明显的提升，且并不会对成图质量产生明显的负面影响。

在业务场景，我们提出的这个方法也有较好的表现。如下图所示，第一列为商品前景，第二列为优化前效果，第三列为属性绑定优化后效果。

4. 模特手部控制

在生成模特的过程中，手部畸形也是常见的一个问题。我们关注到社区中现有的几种优化方案，包括Negative Prompt、Negative Embedding[7]、LoRA[8]等轻量级方案。如下图所示，我们尝试了以上方法，发现相比于直接生成手部图像，使用这些方法只能带来极其有限的改进效果。

仅依赖扩散模型自身的能力并不能保证手部区域的稳定正确生成，这可能是因为手部结构精细、手势变化万千但又具有特定的物理规律。借鉴脸部修复的思路，我们考虑采用后处理的方式，先生成图像，再检测畸形手，将畸形手区域进行局部放大和重绘。但手势比脸部五官的模式更为复杂，直接重绘容易出现手腕、手势和原图对应不上等问题，且畸形率仍然很高，因此我们引入了额外的结构控制来保持一致性。

4.1 解决方案

为了引入手部结构的控制，我们对可控制结构的各种controlNet进行了分析。

如下图所示，我们从原始的模特图像中提取或预估出五种结构控制图像。可以发现，softedge、canny包含边界信息但无手指前后位置关系信息，depth与normal包含深度信息但边界不明显，同时从图像中提取的手部区域控制信息噪声较大，较难实现对结构的精准控制。pose预估模型由于包含手部结构的先验，使得pose中的手部结构是预估出的五种控制图像中最为清晰完整的，但它仅包含二维的手部结构骨架，难以表示如手指粗细、前后关系等信息，用于结构控制时效果不佳。且从原图直接提取的这些控制条件，因为原图手部畸形，难免都会陷入控制准确度和手部结构正确度之间的trade off。

那么我们能否找到这样的理想控制图像呢？它即能利用手部结构的先验，从原图提取出位置和手势与原手基本一致且正确的手部结构，又能表示出如手指粗细、前后关系等精准关键信息以加强控制。为实现这一目标，如下图所示，我们首先对畸形手部图像使用了三维手部重建，即在手部结构先验的约束下，从二维RGB图像中预估出三维参数化手部模型，手部结构的一致性和正确性得到较好保证；接着，我们将三维重建结果渲染并转换为depth与canny图，以形成对手形状、深度等各维度的强控制，配合ControlNet利用扩散模型的局部重绘能力修复手部结构。

4.2 效果

通过以上方法，畸形手修复的成功率大幅提高，下面是一些修复结果。

5. 纯色背景控制

在万相实验室服务过程中，我们观测到服饰类商家对纯色背景的需求很大，且希望能够指定纯色背景的色系。但对sd而言，生成指定颜色的纯色背景是比较困难的[9]，容易产生如下图所示的背景颜色不均匀、人物头发被"染色"等现象。

为了解决模型难以生成指定的纯色背景的问题，我们提出先 Shuffle Controlnet 结合 local mask 的方式 及 基于LoRA的方式 进行控制以生成白底背景，并引入后处理操作以生成指定颜色的纯色背景。

5.1 白底背景生成

为了生成具有较好光影感的白底图，我们采用对图像的风格参考较强的Shuffle ControlNet 进行控制，输入为一张纯白色的参考图；同时为了避免影响前景部分的生成效果，我们同上文所述的Masked Canny ControlNet一样，引入mask 来控制 Shuffle ControlNet 仅作用于背景区域。此外，我们优化了生图时的 prompt，使得结果图在白底的基础上具有一定的光影效果。

为了提高白底图的效果稳定性，我们还使用了一种基于LoRA的方案。我们收集了大量高视觉美观度的纯色棚拍图，为提高LoRA与Inpainting ControlNet的兼容性，我们对图像进行分割处理，获得人物前景与背景，配合Inpainting ControlNet训练一个LoRA来生成纯色背景。

5.2 指定颜色后处理

在此基础上，为了生成指定颜色的背景，我们首先对白底图进行前景分割，然后以color matcher[10]的方式对背景进行颜色变换，具体来说，color matcher会接受一张颜色参考图和白底图的背景，并通过线性变换的方式将白底图背景映射为参考图的颜色。最后我们将前景和变换后的背景结合起来得到最终的结果图。

5.3 效果

基于这种两步法，我们能比较稳定地实现指定颜色的纯色背景生成，效果如下所示：

6. 总结与展望

我们通过SD和一些图像控制模型实现了商品换背景换模特功能，并通过一些方法加强了商品/元素控制、模特控制、纯色背景控制，使得生成控制更精准、视觉效果更好，目前这一功能已上线了万相实验室供广大商家使用。但在商品图生成上仍有很多值得去探索优化的地方，比如diffusion模型生图速度慢、前背景光线融合感不够强等，我们将持续优化模型能力和产品使用体验，为广大商家提供更方便更高效的智能创意制作能力。

▐ 参考文献

团队论文：

Hongyu Chen, Yiqi Gao, Min Zhou, Peng Wang, Xubin Li, Tiezheng Ge, Bo Zheng. Enhancing Prompt Following with Visual Control Through Training-Free Mask-Guided Diffusion, arXiv preprint arXiv:2404.14768, 2024.

其他论文：

[1] https://stability.ai/news/stable-diffusion-public-release

[2] Lvmin Zhang, Anyi Rao, Maneesh Agrawala. Adding Conditional Control to Text-to-Image Diffusion Models. ICCV2023: 3813-3824

[3] aphael Tang, Linqing Liu, Akshat Pandey, Zhiying Jiang, Gefei Yang, Karun Kumar, Pontus Stenetorp, Jimmy Lin, and Ferhan Ture. What the daam: Interpreting stable diffusion using cross attention.  ACL 2023: 5644-5659

[4] Hila Chefer, Yuval Alaluf, Yael Vinker, Lior Wolf, and Daniel Cohen-Or.Attend-and-excite:Attention-based semantic guidance for text-to-image diffusion models.ACM Transactions on Graphics (TOG), 42(4):1–10, 2023.

[5] Royi Rassin, Eran Hirsch, Daniel Glickman, Shauli Ravfogel, Yoav Goldberg, and Gal Chechik. Linguistic binding in diffusion models: Enhancing attribute correspondence through attention map alignment.  NeurIPS 2023.

[6] Weixi Feng, Xuehai He, Tsu-Jui Fu, Varun Jampani, Arjun Akula, Pradyumna Narayana, Sugato Basu, Xin Eric Wang, and William Yang Wang. Training-free structured diffusion guidance for compositional text-to-image synthesis. arXiv preprint arXiv:2212.05032, 2022.

[7] https://civitai.com/models/56519/negativehand-negative-embedding

[8] https://civitai.com/models/200255/hands-xl-sd-15

[9] Shanchuan Lin, Bingchen Liu, Jiashi Li, Xiao Yang. Common Diffusion Noise Schedules and Sample Steps are Flawed. WACV2024: 5392-5399

[10] F. Pitie and A. Kokaram, "The linear Monge-Kantorovitch linear colour mapping for example-based colour transfer," 4th European Conference on Visual Media Production, London, 2007, pp. 1-9, doi: 10.1049/cp:20070055.

END