江都住房和建设局网站网站结构有哪几种

One-Prompt-One-Story: Free-Lunch Consistent Text-to-Image Generation Using a Single Prompt

文生图模型很难支持故事叙述中一致的身份保留要求。（要么通过训练，要么通过修改模型结构）.本文利用语言模型的语境一致性，即通过单一提示的语境来理解身份。这种方法将所有提示连接作为一个整体作为T2I模型的单个输入，同时采用两种技术来改进生成过程：奇异值重加权和身份保持交叉注意。

什么是语言模型的语境一致性？

在长提示符中，身份信息是通过上下文理解隐式维护的，我们称之为语言模型的上下文一致性。
例如：A dog is watching the movie. Afterward, the dog is lying in the garden.（我们可以知道在这一段话中，这只狗代表的是同一只狗，因为在同一段话出现）

这里有个实验说明：单提示生成设置下，文本嵌入空间中彼此之间的语义距离相对较小，而跨多提示生成设置的文本嵌入空间彼此之间的语义距离相对较大。

主体提示符 P0 = “A watercolor of a cute kitten”
5个子提示符 P(1~5) = "in a garden, “dressed in a superhero cape”, “wearing a collar with a bell”, “sitting in a basket”, “dressed in a cute sweater”

作者比较了不同设置下的文本编码在文本嵌入空间中：

• 多提示生成的设置下，即 Ci = TextEncoder（P0,Pi）
• 单提示设置下，即 C = TextEncoder（P0,P1,P2,…,PN）

作者这里用 t-SNE 做了 2D 的可视化，可以看到即在单提示设置下，Pi的语义距离相对较小。

如何利用朴素的重加权方法（NPR）来实现图像空间中的上下文一致性？

Naive Prompt Reweighting (NPR)：即使用连接起来的总提示符作为输入，生成第i个场景，就通过一个放大因子重新加权对应于所需场景的提示嵌入，同时通过一个缩小因子重新缩放其他场景提示的嵌入。

缺点: T2I模型虽然综合了具有相同主体身份的帧图像。然而，背景在这些帧之间混合，

(一)1prompt1story: Singular-Value Reweighting 奇异值重加权

TextEncoder(P0, P1, . . . , PN) = [cSOT , cP0 , cP1 , . . . , cPN , cEOT ]

$$X^{exp}=[c^{Pj},c^{EOT}]$$
$$X^{sup}=[c^{P1},...,c^{P_{j-1}},c^{P_{j+1}},...,c^{EOT}]$$

作者根据生成是否所需，将Pi分为两个部分：一个部分是需要表现出来的标识为P_sup,另一个部分是需要被抑制的为P_sup。

同时除了提示符本身包含的语意外，[EOT] 也包含很重要的语义信息.

详细过程如下：

• SVR+
  

• SVR-
  

在求解得到奇异值后，作者用 $\beta ,\alpha$ 来调整奇异值的大小（抑制则为负，需要表达的则为负）

(一)1prompt1story: Identity-Preserving Cross-Attention 身份保留交叉注意

这里做法比较简单，在某个时间t，通过奇异值分解得到新的text embedding后，会通过交叉注意来注入语义信息。（文本信息作为K和V）

前面我们知道，提示符的构成是（P0,P1,…,PN）,P0是主题提示符，P1,…,PN是其他动作、场景描述符号。作者把 Pi 对应的K矩阵的部分设置为0，然后再将他与原来的 K concat起来，作为新的K。（V矩阵同理）

感觉这个操作初始看可能比较极端，所以作者将他concat起来，避免语义信息上的过分损失。因为在前面的express和suppress的操作，会影响单个提示内的上下文一致性，导致生成的图像在身份上的相似性略有降低。

实验

• 消融实验