无惧图像中的文字，TextDiffuser提供更高质量文本渲染

近几年来，Text-to-Image 领域取得了巨大的进展，特别是在 AIGC（Artificial Intelligence Generated Content）的时代。随着 DALL-E 模型的兴起，学术界涌现出越来越多的 Text-to-Image 模型，例如 Imagen，Stable Diffusion，ControlNet 等模型。然而，尽管 Text-to-Image 领域发展迅速，现有模型在稳定地生成包含文本的图像方面仍面临一些挑战。

尝试过现有 sota 文生图模型可以发现，模型生成的文字部分基本上是不可读的，类似于乱码，这非常影响图像的整体美观度。

经过调研，学术界在这方面的研究较少。事实上，包含文本的图像在日常生活中十分常见，例如海报、书籍封面和路牌等。如果 AI 能够有效地生成这类图像，将有助于辅助设计师的工作，激发设计灵感，减轻设计负担。除此之外，用户可能只希望修改文生图模型结果的文字部分，保留其他非文本区域的结果。

因此，研究者希望设计一个全面的模型，既能直接由用户提供的 prompt 生成图像，也能接收用户给定的图像修改其中的文本。目前该研究工作已被NeurIPS 2023接收。

论文地址：https://arxiv.org/abs/2305.10855
项目地址：https://jingyechen.github.io/textdiffuser/
代码地址：https://github.com/microsoft/unilm/tree/master/textdiffuser
Demo地址：https://huggingface.co/spaces/microsoft/TextDiffuser

本文提出了 TextDiffuser 模型，该模型包含两个阶段，第一阶段生成 Layout，第二阶段生成图像。

模型接受一段文本 Prompt，然后根据 Prompt 中的关键词确定每个关键词的 Layout（也就是坐标框）。研究者采用了 Layout Transformer，使用编码器-解码器的形式自回归地输出关键词的坐标框，并用 Python 的 PILLOW 库渲染出文本。在这个过程中，还可以利用 Pillow 现成的 API 得到每个字符的坐标框，相当于得到了字符级别的 Box-level segmentation mask。基于此信息，研究者尝试微调 Stable Diffusion。

他们考虑了两种情况，一种是用户想直接生成整张图片（称为 Whole-Image Generation）。另一种情况是 Part-Image Generation，在论文中也称之为 Text-inpainting，指的是用户给定一张图像，需要修改图里的某些文本区域。

为了实现以上两种目的，研究者重新设计了输入的特征，维度由原先的 4 维变成了 17 维。其中包含 4 维加噪图像的特征，8 维字符信息，1 维图像掩码，还有 4 维未被 mask 图像的特征。如果是 Whole-image generation，研究者将 mask 的区域设为全图，反之，如果是 part-image generation，就只 mask 掉图像的一部分即可。扩散模型的训练过程类似于 LDM，有兴趣的伙伴可以参考原文方法部分的描述。

在 Inference 阶段，TextDiffuser 非常灵活，有三种使用方式：

根据用户给定的指令生成图像。并且，如果用户不大满意第一步 Layout Generation 生成的布局，用户可以更改坐标也可以更改文本的内容，这增加了模型的可控性。
直接从第二个阶段开始。根据模板图像生成最终结果，其中模板图像可以是印刷文本图像，手写文本图像，场景文本图像。研究者专门训练了一个字符集分割网络用于从模板图像中提取 Layout。
同样也是从第二个阶段开始，用户给定图像并指定需要修改的区域与文本内容。并且，这个操作可以多次进行，直到用户对生成的结果感到满意为止。

为了训练 TextDiffuser，研究者搜集了 1000 万张文本图像，如上图所示，包含三个子集：MARIO-LAION, MARIO-TMDB 与 MARIO-OpenLibrary。

研究者在筛选数据时考虑了若干方面：例如在图像经过 OCR 后，只保留文本数量为 [1,8] 的图像。他们筛掉了文本数量超过 8 的文本，因为这些文本往往包含大量密集文本，OCR 的结果一般不太准确，例如报纸或者复杂的设计图纸。除此之外，他们设置文本的区域大于 10%，设置这个规则是为了让文本区域在图像的比重不要太小。

在 MARIO-10M 数据集训练之后，研究者将 TextDiffuser 与现有其他方法做了定量与定性的对比。例如下图所示，在 Whole-Image Generation 任务中，本文的方法生成的图像具有更加清晰可读的文本，并且文本区域与背景区域融合程度较高。