NeurIPS 2023 | 无惧图像中的文字，TextDiffuser提供更高质量文本渲染

©作者 | 机器之心编辑部

来源 | 机器之心

近几年来，Text-to-Image 领域取得了巨大的进展，特别是在 AIGC（Artificial Intelligence Generated Content）的时代。随着 DALL-E 模型的兴起，学术界涌现出越来越多的 Text-to-Image 模型，例如 Imagen，Stable Diffusion，ControlNet 等模型。然而，尽管 Text-to-Image 领域发展迅速，现有模型在稳定地生成包含文本的图像方面仍面临一些挑战。

尝试过现有 SOTA 文生图模型可以发现，模型生成的文字部分基本上是不可读的，类似于乱码，这非常影响图像的整体美观度。

▲ 现有SOTA文生图模型生成的文本信息可读性较差

经过调研，学术界在这方面的研究较少。事实上，包含文本的图像在日常生活中十分常见，例如海报、书籍封面和路牌等。如果 AI 能够有效地生成这类图像，将有助于辅助设计师的工作，激发设计灵感，减轻设计负担。除此之外，用户可能只希望修改文生图模型结果的文字部分，保留其他非文本区域的结果。

因此，研究者希望设计一个全面的模型，既能直接由用户提供的 prompt 生成图像，也能接收用户给定的图像修改其中的文本。目前该研究工作已被 NeurIPS 2023 接收。

论文链接：

https://arxiv.org/abs/2305.10855

项目链接：

https://jingyechen.github.io/textdiffuser/

代码链接：

https://github.com/microsoft/unilm/tree/master/textdiffuser

demo链接：

https://huggingface.co/spaces/microsoft/TextDiffuser

▲ TextDiffuser 的三个功能

本文提出了 TextDiffuser 模型，该模型包含两个阶段，第一阶段生成 Layout，第二阶段生成图像。

▲ TextDiffuser框架图

模型接受一段文本 Prompt，然后根据 Prompt 中的关键词确定每个关键词的 Layout（也就是坐标框）。研究者采用了 Layout Transformer，使用编码器-解码器的形式自回归地输出关键词的坐标框，并用 Python 的 PILLOW 库渲染出文本。在这个过程中，还可以利用 Pillow 现成的 API 得到每个字符的坐标框，相当于得到了字符级别的 Box-level segmentation mask。基于此信息，研究者尝试微调 Stable Diffusion。

他们考虑了两种情况，一种是用户想直接生成整张图片（称为 Whole-Image Generation）。另一种情况是 Part-Image Generation，在论文中也称之为 Text-inpainting，指的是用户给定一张图像，需要修改图里的某些文本区域。

为了实现以上两种目的，研究者重新设计了输入的特征，维度由原先的 4 维变成了 17 维。其中包含 4 维加噪图像的特征，8 维字符信息，1 维图像掩码，还有 4 维未被 mask 图像的特征。如果是 Whole-image generation，研究者将 mask 的区域设为全图，反之，如果是 part-image generation，就只 mask 掉图像的一部分即可。扩散模型的训练过程类似于 LDM，有兴趣的伙伴可以参考原文方法部分的描述。

在 Inference 阶段，TextDiffuser 非常灵活，有三种使用方式：

• 根据用户给定的指令生成图像。并且，如果用户不大满意第一步 Layout Generation 生成的布局，用户可以更改坐标也可以更改文本的内容，这增加了模型的可控性。
  

• 直接从第二个阶段开始。根据模板图像生成最终结果，其中模板图像可以是印刷文本图像，手写文本图像，场景文本图像。研究者专门训练了一个字符集分割网络用于从模板图像中提取 Layout。

• 同样也是从第二个阶段开始，用户给定图像并指定需要修改的区域与文本内容。并且，这个操作可以多次进行，直到用户对生成的结果感到满意为止。

▲ 构造的 MARIO 数据

为了训练 TextDiffuser，研究者搜集了 1000 万张文本图像，如上图所示，包含三个子集：MARIO-LAION, MARIO-TMDB 与 MARIO-OpenLibrary。

研究者在筛选数据时考虑了若干方面：例如在图像经过 OCR 后，只保留文本数量为 [1,8] 的图像。他们筛掉了文本数量超过 8 的文本，因为这些文本往往包含大量密集文本，OCR 的结果一般不太准确，例如报纸或者复杂的设计图纸。除此之外，他们设置文本的区域大于 10%，设置这个规则是为了让文本区域在图像的比重不要太小。

在 MARIO-10M 数据集训练之后，研究者将 TextDiffuser 与现有其他方法做了定量与定性的对比。例如下图所示，在 Whole-Image Generation 任务中，本文的方法生成的图像具有更加清晰可读的文本，并且文本区域与背景区域融合程度较高。

▲ 与现有工作比较文本渲染性能

研究者还做了定性的实验，如表 1 所示，评估指标有 FID，CLIPScore 与 OCR。尤其是 OCR 指标，本文方法相对于对比方法有很大的提升。

▲ 表1：定性实验

对于 Part-Image Generation 任务，研究者尝试着在给定的图像上增加或修改字符，实验结果表明 TextDiffuser 生成的结果很自然。

▲ 文本修复功能可视化

总的来说，本文提出的 TextDiffuser 模型在文本渲染领域取得了显著的进展，能够生成包含易读文本的高质量图像。未来，研究者将进一步提升 TextDiffuser 的效果。

更多阅读

#投 稿 通 道#

 让你的文字被更多人看到 

如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。

总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。 

PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个，让知识真正流动起来。

📝 稿件基本要求：

• 文章确系个人原创作品，未曾在公开渠道发表，如为其他平台已发表或待发表的文章，请明确标注 

• 稿件建议以 markdown 格式撰写，文中配图以附件形式发送，要求图片清晰，无版权问题

• PaperWeekly 尊重原作者署名权，并将为每篇被采纳的原创首发稿件，提供业内具有竞争力稿酬，具体依据文章阅读量和文章质量阶梯制结算

📬 投稿通道：

• 投稿邮箱：[e-mail] 

• 来稿请备注即时联系方式（微信），以便我们在稿件选用的第一时间联系作者

• 您也可以直接添加小编微信（pwbot02）快速投稿，备注：姓名-投稿

△长按添加PaperWeekly小编

🔍

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

·

·