多模態詠唱外掛模型，輕量靈活有效，IP-Adapter by Hu & Jun et al

文字生成圖片的擴散生成模型，實際應用上並沒有想像中好用，原因在於，文字能夠乘載的訊息量太少，要產生好的生成結果一定程度仰賴特定的Prompt描述方法，如DALL-E3使用GPT4不斷增加描述的細節，讓文生圖的結果更好，有沒有更有效率的方式呢?

這次要介紹的這篇，展示能同時應用圖片/ 深度圖 / 人體骨架圖 / 輪廓圖 / 分割圖 加上原有的文生圖擴散模型，來生成圖片，所需要訓練的外掛模型 IP-Adapter只需要調整約22MB的參數，訓練方式只需要使用Image Pair 配對圖，冷凍住原有的文生圖擴散模型，訓練時文字敘述可以是空的，讓少量參數不斷地根據輸出結果來倒傳遞調整Cross Attention輸出的向量，如下圖所示。

一篇好的論文最好要有一張架構全覽圖，讓讀者能快速掌握重點。

論文核心概念:

1. 圖片往往能比文字帶來更多訊息，一張圖片往往勝過千言萬語
2. 傳統做法僅僅將圖片向量與文字向量對齊，沒有完全拆開來善用圖片帶來的描述特徵
3. 外掛模型能夠大幅降低參數成本與訓練成本，適用於各種文生圖擴散生成模型

論文主要手法:

這邊基本上是使用經典的擴散模型訓練方式，底下的數學描述部份看到是否感覺熟悉，收斂各種Condition，包含初始亂數種子，與Prompts，在不同擴散Step (t) 的L2 Norm，冷凍原本的擴散模型部分，只訓練調整外掛模型的部分。

同時作者有說，他會隨機的把描述Condition拿掉，使用Class-Free Guidance (CFG) 技術來提升生成畫質，這種方式也可以看成是一種隨機擾動的方式，避免模型產生過早over-fitting的現象。但是加入CFG也就意味著要權衡生成的多樣性/準確性與高畫質這兩件事情，在拿掉條件以後，可看成是一種pixel-to-pixel的調整方式，專心提升畫質。