AID: Attention Interpolation of Text-to-Image Diffusion

有条件的扩散模型可以在各种情境下创建未曾见过的图像，有助于图像插值。在潜在空间中的插值已经得到了广泛研究，但是使用特定条件（如文本或姿势）进行插值的研究还不够深入。简单的方法，如在条件空间中进行线性插值，通常会导致图像缺乏一致性、平滑性和保真度。为此，我们提出了一种名为注意力扩散插值（AID）的新型无需训练的技术。我们的主要贡献包括：1）提出内/外插值的注意力层；2）将插值的注意力与自注意力融合以提高保真度；3）应用贝塔分布进行选择以增加平滑性。我们还提出了一种变体，名为基于提示的注意力扩散插值（PAID），将插值视为条件依赖的生成过程。这种方法可以创建具有更大一致性、平滑性和效率的新图像，并对插值路径进行精确控制。我们的方法在概念和空间插值方面表现出有效性。代码和演示可在https://github.com/QY-H00/attention-interpolation-diffusion上找到。

论文试图解决条件下图像插值的问题，如何在特定条件下生成一致、平滑、高保真度的图像？

提出了一种名为Attention Interpolation via Diffusion (AID)的新技术，通过内/外插值的注意力层和自注意力的融合，以及使用beta分布来增加平滑性，实现了条件下的图像插值。

论文提出的方法能够有效地进行概念和空间插值，而且无需训练，具有高效性。此外，论文还提出了一种名为Prompt-guided Attention Interpolation via Diffusion (PAID)的变体，它将插值视为一种条件依赖的生成过程，可以更好地控制插值路径。论文还提供了代码和演示，方便其他研究者进行进一步研究。

最近的相关研究包括：1）基于VAE和GAN的图像插值方法，如StyleGAN、BigGAN等；2）基于条件生成对抗网络（CGAN）的图像生成方法，如pix2pix、CycleGAN等；3）基于流形学习和插值的图像生成方法，如DeepDream、Neural Style Transfer等。