DreamShaper on CivitAI vs Drag Your GAN

Descubra o poder do Dreamshaper - V∞, um modelo generativo inovador de IA construído para artistas e entusiastas da IA. Com sua versão mais recente, o Dreamshaper oferece um conjunto de ferramentas projetadas para empurrar o envelope do fotorrealismo e da criação de arte. Se você busca paisagens realistas, modelos 3D intrincados ou pintura fotorrealista, o Dreamshaper é sua solução preferida para arte gerada pela AI de alta qualidade. Graças à sua capacidade de lidar com o personagem Lora e uma capacidade robusta para o conteúdo da NSFW sem sacrificar a versatilidade, é uma potência para a criatividade.

O Dreamshaper prospera na versatilidade, com o objetivo de fazer "uma melhor difusão estável", fornecendo um modelo capaz de tudo, desde arte até anime. Apesar de atender à arte e ilustrações sendo o objetivo principal, o conjunto diversificado de funcionalidades significa ser bom em tudo é um bônus. Disponível em várias plataformas aceleradas por GPU, como mage.space e sinkin.ai, e oferecendo pontos de verificação para download, o Dreamshaper é acessível e poderoso.

Acima de tudo, o espírito comunitário brilha através da mensagem de Lykon: ao mostrar melhorias como suporte e realismo aprimorado da LORA, esse modelo continua a jornada de fornecer uma alternativa de código aberto aos serviços proprietários. Além disso, o Dreamshaper incentiva o engajamento e o apoio por meio de recursos sociais como o Patreon, garantindo um processo de desenvolvimento orientado à comunidade.

No campo de sintetizar conteúdo visual para atender às necessidades dos usuários, é essencial alcançar um controle preciso sobre pose, forma, expressão e layout de objetos gerados. As abordagens tradicionais para controlar redes adversárias generativas (GANs) se basearam em anotações manuais durante o treinamento ou modelos 3D anteriores, geralmente sem flexibilidade, precisão e versatilidade necessárias para diversas aplicações.

Em nossa pesquisa, exploramos um método inovador e relativamente desconhecido para o controle da GaN-a capacidade de "arrastar" pontos de imagem específicos para atingir com precisão os pontos de destino definidos pelo usuário de maneira interativa (conforme ilustrado na Fig.1). Essa abordagem levou ao desenvolvimento de Draggan, uma nova estrutura que compreende dois componentes principais:

Supervisão de movimento baseada em recursos: este componente guia os pontos da imagem em direção às posições do alvo pretendido por meio de supervisão de movimento baseado em recursos.

Rastreamento de pontos: alavancando os recursos discriminativos do GAN, nossa nova técnica de rastreamento de pontos localiza continuamente a posição dos pontos de alça.

O Draggan capacita os usuários a deformar imagens com precisão notável, permitindo a manipulação da pose, forma, expressão e layout em diversas categorias como animais, carros, humanos, paisagens e muito mais. Essas manipulações ocorrem dentro do coletor de imagem generativo instruído de um GaN, resultando em saídas realistas, mesmo em cenários complexos, como gerar conteúdo ocluído e formas deformadas enquanto aderem à rigidez do objeto.

Nossas avaliações abrangentes, abrangendo comparações qualitativas e quantitativas, destacam a superioridade do Draggan sobre os métodos existentes em tarefas relacionadas à manipulação de imagens e rastreamento de pontos. Além disso, demonstramos suas capacidades na manipulação de imagens do mundo real através da inversão de GaN, mostrando seu potencial para várias aplicações práticas no campo da síntese e controle de conteúdo visual.