北航 | 第一个多功能即插即用适配器MV-Adapter：轻松实现多视图一致图像生成

本文经AIGC Studio公众号授权转载，转载请联系出处。

北航提出了第一个多功能的即插即用适配器MV-Adapter。可以在不改变原有网络结构或特征空间的情况下增强T2I模型及其衍生模型。MV-Adapter 在 SDXL 上实现了高达768分辨率的多视图图像生成，并展示了出色的适应性和多功能性。它还能扩展到任意视角生成，为更广泛的应用打开了新大门。

下图展示的第1行显示了将 MV-Adapter 与个性化T2I、精炼的少步T2I 和 ControlNet 集成的结果，展示了其适应性。第 2 行显示了各种控制信号下的结果，包括使用文本或图像输入的视图引导或几何引导生成，展示了其多功能性。

相关链接

• 代码：https://github.com/huanngzh/MV-Adapter
• 论文：https://arxiv.org/abs/2412.03632
• 主页：https://huanngzh.github.io/MV-Adapter-Page/
• 试用：https://huggingface.co/spaces/VAST-AI/MV-Adapter-I2MV-SDXL
• ComfyUI：https://github.com/huanngzh/ComfyUI-MVAdapter

论文介绍

MV-Adapter：轻松实现多视图一致图像生成

摘要

现有的多视图图像生成方法通常会对预训练的文本转图像 (T2I) 模型进行侵入性修改并需要完全微调，会导致以下问题：

1. 计算成本高，尤其是对于大型基础模型和高分辨率图像。
2. 由于优化困难和高质量 3D 数据稀缺而导致图像质量下降。

论文提出了第一个基于适配器的多视图图像生成解决方案，并介绍了 MV-Adapter，这是一种多功能的即插即用适配器，可在不改变原始网络结构或特征空间的情况下增强 T2I 模型及其衍生产品。通过更新更少的参数，MV-Adapter 可以实现高效训练并保留预训练模型中嵌入的先验知识，从而降低过度拟合风险。

为了在适配器中有效地对 3D 几何知识进行建模，论文引入了创新设计，包括重复的自注意力层和并行注意力架构，使适配器能够继承预训练模型的强大先验来对新颖的 3D 知识进行建模。此外还提出了一个统一的条件编码器，无缝集成了相机参数和几何信息，促进了基于文本和图像的 3D 生成和纹理化等应用。

MV-Adapter 在稳定扩散 XL (SDXL) 上实现了 768 分辨率的多视图生成，并展示了适应性和多功能性。它还可以扩展到任意视图生成，从而实现更广泛的应用。MV-Adapter 为多视图图像生成设定了新的质量标准，并因其效率、适应性和多功能性开辟了新的可能性。

方法介绍

MV-Adapter 是一个即插即用的适配器，它学习多视图先验，无需特殊调整即可转移到 T2I 模型的衍生物，并使 T2I 能够 在各种条件下生成多视图一致的图像。在推理时，MV-Adapter 包含条件引导器（黄色）和解耦的注意层（蓝色），可以直接插入个性化或蒸馏的 T2I 中以构成多视图生成器。

MV-Adapter 由两部分组成：

1. 对相机条件或几何条件进行编码的条件引导器；
2. 包含多视图注意层的解耦注意层，用于学习多视图一致性，以及可选的图像交叉注意层以支持图像条件生成

其中使用预先训练的 U-Net 对参考图像进行编码以提取细粒度信息。

结果展示

文本到多视图

图像到多视图

草图到多视图 (使用 ControlNet)

文本条件3D生成

图像条件3D生成

文本条件纹理生成

图像条件纹理生成

ComfyUI试用

将MV-Adapter集成到 ComfyUI 中，允许用户直接在 ComfyUI 界面内从文本提示或单个图像生成多视图一致的图像。 具体可以参考上面的链接。

• 支持与 SDXL LoRA 集成
• 根据文本提示或单幅图像生成多视角一致图像