保持自我：面向多主体文本到图像生成的有界注意力

文本到图像扩散模型具有前所未有的生成多样且高质量图像的能力。然而，它们往往难以忠实捕捉包含多个主体的复杂输入提示的预期语义。最近，引入了许多布局到图像的扩展以改善用户控制，旨在定位由特定标记表示的主体。然而，这些方法经常产生语义不准确的图像，特别是在处理多个语义或视觉上相似的主体时。在这项工作中，我们研究并分析了这些限制的原因。我们的探索表明，主要问题源于去噪过程中主体之间无意的语义泄漏。这种泄漏归因于扩散模型的注意力层，这些层倾向于混合不同主体的视觉特征。为了解决这些问题，我们引入了 Bounded Attention，一种在采样过程中限制信息流的无训练方法。Bounded Attention 防止了主体之间有害的泄漏，并能够引导生成以促进每个主体的个性，即使在复杂的多主体条件下也是如此。通过广泛的实验，我们证明我们的方法能够生成多个主体，且更好地与给定的提示和布局对齐。