文字到圖像的擴散生成模型，如 Stable Diffusion、DALL-E 2 和mid-journey 等，一直都處於蓬勃的發展狀態，有著極強的文本到圖片的生成能力，但是“翻車”案例也會偶爾出現。
如下圖所示，當給定文字提示：「A photo of a warthog」，Stable Diffusion 模型能產生一張相應的、清晰逼真的疣豬照片。然而，當我們對這個文本提示稍作修改，變成：「A photo of a warthog and a traitor」，說好的疣豬呢？怎麼變成車了？
一起再看一次接下來的幾個例子，這些又是什麼新物種？
是什麼原因導致了這些奇怪的現象？這些生成失敗的案例都來自於近期發布的一篇論文《Stable Diffusion is Unstable》:
在這篇論文中首次提出了一種基於梯度的文本到圖像模型的對抗演算法。這種演算法能夠有效率且有效地產生大量的攻擊性文字提示，能夠有效的發掘 Stable diffusion 模型的不穩定之處。這個演算法在短文本提示中實現了 91.1% 的攻擊成功率，而在長文本提示中，攻擊成功率也達到了 81.2%。此外，該演算法為研究文字到圖像生成模型的失敗模式提供了豐富的案例，為圖片生成可控性研究奠定了基礎。
基於此演算法產生出的大量生成失敗案例，研究者總結出四點生成失敗的原因，分別是：
當一個提示（prompt）包含多個生成目標時，常常會遇到某個目標在生成過程中消失的問題。理論上講，同一個提示內的所有目標都應該共享同一個初始噪音。如圖 4 所示，研究者在固定初始雜訊的條件下，產生了 ImageNet 上的一千個類別目標。他們將每個目標產生的最後一張圖像作為參考圖像，併計算了在每個時間步長上生成的圖像與最後一步生成的圖像的結構相似性指數（SSIM）得分，以此展示了不同目標產生速度的差異。
在擴散生成過程中，研究者發現，當兩類目標存在全局或局部的粗粒度特徵相似性時，會在計算交叉注意力（cross attention）權重時出現問題。這是因為這兩個目標名詞可能會同時關注同一張圖片的同一個區塊，從而產生特徵糾纏的現象。例如，在圖 6 中，羽毛（feather）和銀鮭魚（silver salmon）在粗粒度特徵上具有一定的相似性，這導致羽毛可以在基於銀鮭魚的第八步生成過程中繼續完成其生成任務。而對於沒有糾纏的兩類目標，例如銀鮭魚和魔術師（magician），魔術師就無法在基於銀鮭魚的中間步驟影像上完成其生成任務。
#在這一章節中，研究者們深入探討了當一個字詞具有多重意義時的生成情況。他們的發現是，如果沒有任何外界的擾動，生成的圖像通常會依照該字的某一特定意義來呈現。以 「warthog」（疣豬）為例，在圖 A4 的第一行就是根據這個字「疣豬」這種動物的意思來產生的。
#然而，研究者也發現，當在原始prompt 中註入其他字詞時，就可能引發語意的偏移。例如，當在描述 “warthog”的提示中引入了詞語 “traitor”（叛徒），生成的圖像內容可能就會偏離原來的 “疣豬”含義，產生全新的內容。
在圖 10 中，研究者觀察到了一個有趣的現象。雖然從人類的視角來看，那些不同順序排列的 prompt 大體上含義相同，都是在描述一個既有貓，又有木屐和手槍的圖片。然而，對於語言模型，也就是 CLIP 文字編碼器來說，字詞的順序在某種程度上影響了其對文字的理解，而這種影響反過來又會改變生成圖片的內容。這種現象說明，儘管我們的描述在語意上是一致的，但模型卻可能因為字詞的順序不同而產生不同的理解和生成結果。這不僅揭示了模型處理語言和理解語義的方式與人類之間存在差異，同時也提示我們在設計和使用這類模型時，需要更加考慮詞語順序的影響。
#如下圖1 所示，在不改變提示中原本目標名詞的前提下，研究者透過學習Gumbel Softmax 分佈，將單字替換或擴展的離散過程連續化，從而確保擾動生成的可微分性，生成圖像後，使用CLIP 分類器和margin loss 來優化ω，旨在生成CLIP無法正確分類的圖像，為了確保攻擊性提示與乾淨提示具有一定的相似性，研究著近一步使用了語義相似性約束和文本流利度約束。
一旦學會了這個分佈學會後，演算法就能夠針對同一個乾淨的文字提示採樣出多個具有攻擊效果的文字提示。
#更多細節請見原文。
以上是影像生成過程中遭「截胡」：穩定擴散的失敗案例受四大因素影響的詳細內容。更多資訊請關注PHP中文網其他相關文章！
