话说这两年，“文字生成图像的扩散模型”着实大火了一把，dall·e 2和imagen都是基于此开发出来的应用。
本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
这是一份看似平平无奇的日式便当。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
但你敢信，其实每一格食物都是P上去的，而且原图还是酱婶儿的：
△直接抠图贴上去，效果一眼假
背后操作者并不是什么PS大佬，而是一只AI，名字很直白：拼图扩散（Collage Diffusion）。
随便找几张小图拿给它，AI就能自己看懂图片内容，再把各元素非常自然地拼成一张大图——完全不存在一眼假。
其效果惊艳了不少网友。
甚至还有PS爱好者直呼道：
这简直是个天赐之物……希望很快能在Automatic1111（ Stable Diffusion用户常用的网络UI，也有集成在PS中的插件版）中看到它。
为什么效果这么自然？
实际上，此AI生成的“日式便当”还有好几个生成版本——都很自然有木有。
至于为啥还有多种版本？问就是因为用户还能自定义，在总体不变得太离谱的前提下，他们可以微调各种细节。
除了“日式便当”，它还有不少出色的作品。
比如，这是拿给AI的素材，P图痕迹明显：
这是AI拼好的图，反正我愣是没看出什么P图痕迹：
话说这两年，“文字生成图像的扩散模型”着实大火了一把，DALL·E 2和Imagen都是基于此开发出来的应用。这种扩散模型的优点，是生成图片多样化、质量较高。
不过，文字终究对于目标图像，最多只能起到模糊的规范作用，所以用户通常要花大量时间调整提示（prompt），还得搭配上额外的控制组件，才可以取得不错的效果。
就拿前文展示的日式便当来说：
如果用户只输入“一个装有米饭、毛豆、生姜和寿司的便当盒”，那就既没描述哪种食物放到哪一格，也没有说明每种食物的外观。但如果非要讲清楚的话，用户恐怕得写一篇小作文了……
鉴于此，斯坦福团队决定从别的角度出发。
他们决定参考传统思路，通过拼图来生成最终图像，并由此开发出了一种新的扩散模型。
有意思的是，说白了，这种模型也算是用经典技术“拼”出来的。
首先是分层：使用基于图层的图像编辑UI，将源图像分解成一个个RGBA图层（R、G、B分别代表红、绿、蓝，A代表透明度），然后将这些图层排列在画布上，并把每个图层和文字提示配对。
通过分层，可以修改图像中的各种元素。
到目前为止，分层已经是计算机图形领域中一项成熟的技术，不过此前分层信息一般是作为单张图片输出结果使用的。
而在这种新型“拼图扩散模型”中，分层信息成了后续操作的输入。
除了分层，还搭配了现有的基于扩散的图像协调技术，提升图像视觉质量。
总而言之，该算法不仅限制了对象的某些属性（如视觉特征）的变化，同时允许属性（方向、光照、透视、遮挡）发生改变。
——从而平衡了还原度和自然度之间的关系，生成“神似”且毫无违和感的图片。
操作过程也很easy，在交互编辑模式下，用户在几分钟内就能创作一幅拼贴画。
他们不仅可以自定义场景中的空间排列顺序（就是把从别处扣出来的图放到适当的位置）；还能调整生成图像的各个组件。用同样的源图，可以得出不同的效果。
△最右列是这个AI的输出结果
而在非交互式模式下（即用户不拼图，直接把一堆小图丢给AI），AI也能根据拿到的小图，自动拼出一张效果自然的大图。
研究团队
最后，来说说背后的研究团队，他们是斯坦福大学计算机科学系的一群师生。
论文一作，Vishnu Sarukkai现为斯坦福计算机科学系研究生，还是硕博连读的那种。
他的主要研究方向为：计算机图形学、计算机视觉和机器学习。
此外，论文的共同作者Linden Li，也是斯坦福计算机科学系研究生。
在校求学期间，他曾到英伟达实习4个月，与英伟达深度学习研究小组合作，参与训练了增加100M+参数的视觉转换器模型。
论文地址：https://arxiv.org/abs/2303.00262
