DreamShaper on CivitAI vs Drag Your GAN

Découvrez la puissance de DreamShaper - V∞, un modèle génératif d'IA innovant conçu pour les artistes et les passionnés d'IA. Avec sa dernière version, DreamShaper propose une suite d'outils conçus pour repousser les limites du photoréalisme et de la création artistique. Que vous visiez des paysages réalistes, des modèles 3D complexes ou des peintures photoréalistes, DreamShaper est votre solution incontournable pour des œuvres d'art générées par l'IA de haute qualité. Grâce à sa capacité à gérer Character LoRA et à une capacité robuste pour le contenu NSFW sans sacrifier la polyvalence, c'est un moteur de créativité.

DreamShaper prospère grâce à la polyvalence, dans le but de créer « une meilleure diffusion stable » en fournissant un modèle capable de tout, de l'art à l'anime. Bien que l'objectif principal soit de s'occuper de l'art et des illustrations, l'ensemble diversifié de fonctionnalités signifie qu'être bon dans tout est un bonus. Disponible sur plusieurs plates-formes accélérées par GPU, telles que Mage.space et Sinkin.ai, et proposant des points de contrôle téléchargeables, DreamShaper est à la fois accessible et puissant.

Surtout, l'esprit communautaire transparaît dans le message de Lykon : en présentant des améliorations telles qu'une prise en charge et un réalisme améliorés de LoRA, ce modèle poursuit le parcours visant à fournir une alternative open source aux services propriétaires. De plus, DreamShaper encourage l'engagement et le soutien grâce à des fonctionnalités sociales telles que Patreon, garantissant ainsi un processus de développement axé sur la communauté.

Dans le domaine de la synthèse de contenu visuel pour répondre aux besoins des utilisateurs, il est essentiel d'obtenir un contrôle précis sur la pose, la forme, l'expression et la disposition des objets générés. Les approches traditionnelles de contrôle des réseaux adverses génératifs (GAN) reposaient sur des annotations manuelles lors de la formation ou sur des modèles 3D préalables, manquant souvent de la flexibilité, de la précision et de la polyvalence requises pour diverses applications.

Dans notre recherche, nous explorons une méthode innovante et relativement inexplorée pour le contrôle du GAN : la possibilité de « faire glisser » des points d'image spécifiques pour atteindre avec précision des points cibles définis par l'utilisateur de manière interactive (comme illustré sur la figure 1). Cette approche a conduit au développement de DragGAN, un nouveau framework comprenant deux composants principaux :

Supervision de mouvement basée sur les fonctionnalités : ce composant guide les points de poignée dans l'image vers leurs positions cibles prévues grâce à une supervision de mouvement basée sur les fonctionnalités.

Suivi des points : tirant parti des fonctionnalités discriminantes du GAN, notre nouvelle technique de suivi des points localise en permanence la position des points de poignée.

DragGAN permet aux utilisateurs de déformer les images avec une précision remarquable, permettant ainsi la manipulation de la pose, de la forme, de l'expression et de la disposition dans diverses catégories telles que les animaux, les voitures, les humains, les paysages, etc. Ces manipulations ont lieu au sein de la variété d'images génératives apprises d'un GAN, ce qui donne des résultats réalistes, même dans des scénarios complexes tels que la génération de contenu occlus et la déformation de formes tout en adhérant à la rigidité de l'objet.

Nos évaluations complètes, comprenant des comparaisons qualitatives et quantitatives, mettent en évidence la supériorité de DragGAN sur les méthodes existantes dans les tâches liées à la manipulation d'images et au suivi de points. De plus, nous démontrons ses capacités à manipuler des images du monde réel via l'inversion GAN, démontrant ainsi son potentiel pour diverses applications pratiques dans le domaine de la synthèse et du contrôle de contenu visuel.