[AIGC知识] layout理解

前言

要开组会了，随便讲个凑数吧。
参考论文 https://arxiv.org/html/2303.17189?

什么是layout数据？

像下图这样，Layout是每个图片的布局，其中包含一些物体的相应边界框和类别

layout信息如何整合表示并作为条件加入到网络中去的？

a. layout信息包含内容

布局 l={o1,o2,⋯ ,on}l = \{o_1, o_2, \cdots, o_n\}l={o1​,o2​,⋯,on​} 是一组 $n$ 对象。
每个对象 $o_i$ 被表示为 oi={bi,ci}o_i = \{b_i, c_i\}oi​={bi​,ci​}，
其中 $b_i=(x_0^i,y_0^i,x_1^i,y_1^i)\in [0,1{]}^4$ 表示边界框(bbox)，
并且 $c_i\in [0,\mathcal{C}+1]$ 是其类别id。

b.将layout填充为一个固定长度的序列

将 $l$ 填充到固定长度的 $k$ 中，方法是将 $o_l$ 在前面，一些填充 $o_p$ 在最后，
其中 $o_l$ 表示存在这个对象，$o_p$ 表示不存在这个对象。
比如 $b_l=(0,0,1,1)$、$c_l=0$ 表示覆盖整个图像的对象，
而$b_p=(0,0,0,0)$、$c_p=\mathcal{C}+1$ 表示没有形状或不出现在图像中的空对象。
最终填充完成后就是一个由 $k$ 个对象组成的填充的 l={o1,o2,⋯ ,ok}l = \{o_1, o_2, \cdots, o_k\}l={o1​,o2​,⋯,ok​}。

c.将序列转变为矩阵

通过投影矩阵 $W_b\in {\mathbb{R}}^{4\times d_z}$ 和 $W_c\in {\mathbb{R}}^{1\times d_z}$ ，
用公式
$$\begin{gathered} B_L=b{W}_B \\ {C}_L=c{W}_C \\ L=B_L+C_L \end{gathered}$$
将布局 $l$ 变换为布局嵌入 L={O1,O2,⋯ ,Ok}∈Rk×dzL = \{O_1, O_2, \cdots, O_k\} \in \mathbb{R}^{k \times d_z}L={O1​,O2​,⋯,Ok​}∈Rk×dz​。

d.使用transfomer嵌入到unet网络中。

$L^{\prime }=LFM(L)$，其中输出 L′={O1′,O2′,⋯ ,Ok′}∈Rk×dzL' = \{O'_1, O'_2, \cdots, O'_k\} \in \mathbb{R}^{k \times d_z}L′={O1′​,O2′​,⋯,Ok′​}∈Rk×dz​
LFM是基于多层自注意力机制的模块。

最终这4个步骤从下图可以看出来。