Stable Diffusion原理解析-inpaint修复图片

---

一、背景知识

（一）inpaint概念

1. inpaint是Stable Diffusion仅重绘图像部分的技术，将画面中被手工遮罩的部分重新绘制；

2. Inpaint是一项图片修复技术，大体可以理解为两步：

   • 提供一个图像，绘制一个遮罩（mask），告诉软件想要重画哪个区域，并提供图像提示词用于重画；
   • “Stable Diffusion”将根据提示词重新绘制遮罩区域。

3. 修复实际上只是图像到图像的一个特殊情况。杂色将添加到要上色的图像部分。噪声量同样由降噪强度控制。

（二）图生图（img2img）任务

图生图任务在输入本文的基础上，再输入一张图片，SD模型将根据文本的提示，将输入图片进行重绘以更加符合文本的描述。

• 步骤一： 在输入文本信息进行编码的同时，将原图片通过图像编码器（VAE Encoder） 生成Latent Feature（隐空间特征）作为输入；
• 步骤二： 将上述信息输入到SD模型的 “图像优化模块” 中；
• 步骤三： 将图像优化模块进行优化迭代后的Latent Feature输入到 图像解码器 （VAE Decoder） 中，将Latent Feature重建成像素级图。

二、Stable Diffusion中inpaint的两种实现形式

（一）开源的inpaint模型：这种方式必须基于一个已经训练好的unet模型

• 步骤一： 在输入文本信息进行编码的同时，将被mask后的图像和mask图像分别通过图像编码器（VAE Encoder） 生成对应的隐含层特征；
• 步骤二： 将隐含层中的被mask图像特征、mask图像特征与随机初始化的高斯噪声进行堆叠；
• 步骤三： 将上述信息输入到SD模型的 “图像优化模块” 中；
• 步骤四： 将图像优化模块进行优化迭代后的Latent Feature输入到 图像解码器 （VAE Decoder） 中，将Latent Feature重建成像素级图。

（二）基于base模型inpaint

• 步骤一： 在输入文本信息进行编码的同时，将原图片通过图像编码器（VAE Encoder） 生成隐含层特征作为输入；
• 步骤二： 将上述信息输入到SD模型的 “图像优化模块” 中，这里图像优化模块融入了mask信息；
• 步骤三： 将图像优化模块进行优化迭代后的Latent Feature输入到 图像解码器 （VAE Decoder） 中，将Latent Feature重建成像素级图。

mask信息的融入方式：
对于每个时间步：

• img_orig：基于原图得到的img_orig
• img：基于上个时间步降噪后得到的img
• 将噪声图中的mask区域和原图中的非mask区域融合，得到新的噪声图，公式呈现如下：
  $$img=img\_orig?mask+(1?mask)?img$$
• 然后继续去噪声

参考：
AIGC专栏4——Stable Diffusion原理解析-inpaint修复图片为例