01.引言
为文生图模型增加额外的控制条件一直是AIGC社区研究的重点之一，如ControlNet, IP-Adapter等一直是热门可控生成方法。近期，魔搭社区联合浙江大学对实体级可控文生图进行了探索，并开发了EliGen模型。EliGen可以对想要生成的图像中的每个实体的位置和细节进行控制，从而生成具有复杂场景和构图的图像。
EliGen提出了Regional Attention的注意力机制，对扩散模型中的Attention模块进行了通用扩展。同时，基于FLUX和Qwen2-VL，团队构建了500k样本的含有实体级标注的数据集，采用LoRA对EliGen进行了训练。EliGen不仅可以完成实体级的可控文生图任务，还可以对已有图像进行实体级局部重绘。同时，EliGen与社区模型：IP-Adapter、In-Context LoRA等结合，还可以应用在给定风格和角色的实体控制、Logo迁移等场景，具有无限可能。
论文链接：
https://arxiv.org/abs/2501.01097
代码链接：
https://github.com/modelscope/DiffSynth-Studio/tree/main/examples/EntityControl
模型链接：
https://www.modelscope.cn/models/DiffSynth-Studio/Eligen
在线Demo:
https://www.modelscope.cn/studios/DiffSynth-Studio/EliGen
02.EliGen技术方案
Regional Attention实现
EliGen提出了Regional Attention的机制，对扩散模型的注意力机制进行了扩展，使其支持基于任意形状空间信息的实体级控制。我们采用结构化文本向量来表示条件控制信息，包括描述图像整体内容的全局提示词（global prompt）和描述具体细节的多个局部提示词（local prompts）。每个local prompt都附带一个掩码（mask），用于表示其生成区域。基于这些mask，我们针对实体内、实体间和实体与图像的关系构建了attention mask，保证了每个实体的token序列只作用于特定区域。
训练数据生成和模型训练
使用Regional Attention对模型进行扩展后，可以发现它不经过训练也能改变某些区域的实体属性，比如颜色。但是未经训练的模型无法控制图像的布局。为了激活EliGen的空间控制能力，我们构建了带实体标注的数据集，采用LoRA，对实体控制任务进行了特化训练。
如下图所示，我们从DiffusionDB数据集的文本Prompt出发，使用FLUX.1-dev生成了500k训练图像。进一步，利用Qwen2-VL 72B的强大图像理解和grounding能力，对训练样本进行了重描述 (recaption)，同时对图像中的实体的语义和位置信息进行了标注。
最终，经过训练，EliGen模型具有出色的实体级位置和细节控制能力，图像生成质量远超同类模型，在许多场景都有应用的潜力。
03.应用场景
复杂构图的实体级构建
代码：
https://github.com/modelscope/DiffSynth-Studio/blob/main/examples/EntityControl/entity_control.py
图像局部重绘
代码：
https://github.com/modelscope/DiffSynth-Studio/blob/main/examples/EntityControl/entity_inpaint.py
特定风格的实体控制
代码：
Logo迁移
代码：
https://github.com/modelscope/DiffSynth-Studio/blob/main/examples/EntityControl/entity_transfer.py
点击链接链接阅读原文，即可跳转模型~
