看起来还真不赖！而这个新的“P图”方法呢，名叫Imagic，是基于爆火的扩散模型（Diffusion Model）来实现的。

　　是的，又是扩散模型，它的能耐想必也不用多介绍了吧（那看那铺天盖地和它相关的论文就能佐证）。

　　那在扩散模型加持下的Imagic到底有何厉害之处，话不多说，一起来看看吧！

　　改变姿势、变换构图、切换滤镜、多个对象编辑、添加对象、更改颜色

　　先来看看这个P图神器改变姿势的效果，比如说输入一条站立的狗，通过变换提示文字，得到的效果是酱紫的～

　　或者说输入一个随意站立的人，输入口令，他就“乖乖听话，任你摆布”（手动狗头）了，甚至还能凭空出现一个水杯。

　　还没看够？那再来康康Imagic其他功能：改变颜色，或者增加对象，也可以多种功能同时使用。

　　总的来说，Imagic的厉害之处太多，这里就不一一详细展开了，效果可以看下图。

　　除了这么多功能之外，Imagic还有另外一个比较人性化的点，就是当你告诉它要如何“P图”后，它会随机生成几个不同的选项供你选择。

　　其实这种在真实图像上编辑的模型Imagic不是第一个，在此之前就已经有很多个类似的模型。

　　这里选取了比较常见的基于真实图像编辑的两个模型：SDEdit、Text2LIVE与Imagic作对比。

　　结果很显然，Imagic完成“P图指令”的效果很好，在细节上也丝毫不逊色其他模型。

　　具体到Imagic中，扩散模型的作用是如何发挥出来的，来看看详细的“P图”过程。

　　具体来说，先给定输入的图像和目标文本，然后对目标文本进行编码，得到初始的嵌入层。

　　然后不断调整初始嵌入层，让其能够通过预先训练的扩散模型很好地重建输入图像。

　　第二步是对扩散模型进行微调，这时就要用到上一步已经优化之后的嵌入层，让嵌入层经过模型后重建输入图像。

　　在重建的过程，需要不断更改模型中损失函数的参数，以让模型适应优化后的输入层，直到能够很好地重建输入图像时为止，这样一来便得到了微调之后的模型。

　　值得一提的是，这一步除了输入初始的目标嵌入层（tgt）外，还会插入优化好的嵌入层（opt），它们的关系如下图。

　　值得一提的是，Bahjat Kawar还是一位以色列理工学院在读博士，他是在Google Research实习期间完成了这项研究。

　　他曾在微软担任软件工程师以及技术主管的职务，主要负责网络安全相关的项目开发。