MULTI：解开相机镜头、传感器、视图和域以生成新图像

最近的文本到图像模型可以生成高质量的图像，但当需要特定样式或对象时，文本模糊性会阻碍精确控制。最近有许多涉及学习和组合多个对象和模式的作品。然而，当前的工作几乎完全集中在图像内容上，忽略了相机镜头、传感器类型、成像视点和场景域特征等成像因素。我们将这一新挑战称为“成像因子解缠”，并展示了该体系中当前方法的局限性。因此，我们提出了新方法“通过文本反转进行多因素解缠”（MULTI）。它由两个阶段组成：在第一阶段，我们学习一般因素，在第二阶段，我们提取数据集特定的因素。这种设置可以扩展现有数据集和新颖的因素组合，从而减少分布差距。它还支持通过 ControlNet 修改特定因素和图像到图像的生成。对我们新的 DF-RICO 基准的评估证明了 MULTI 的有效性，并强调了因子解缠作为新研究方向的重要性。