图像生成过程中遭「截胡」：稳定扩散的失败案例受四大因素影响
文本到图像的扩散生成模型，如StableDiffusion、DALL-E2和mid-journey等，一直都处于蓬勃的发展状态，有着极强的文本到图片的生成能力，但是「翻车」案例也会偶尔出现。如下图所示，当给定文字提示：「Aphotoofawarthog」，StableDiffusion模型能生成一张相应的、清晰逼真的疣猪照片。然而，当我们对这个文本提示稍作修改，变为：「Aphotoofawarthogandatraitor」，说好的疣猪呢？怎么变成车了？一起再来看一看接下来的几个例子，这些又是什么新物种？
文本到图像的扩散生成模型，如 Stable Diffusion、DALL-E 2 和 mid-journey 等，一直都处于蓬勃的发展状态，有着极强的文本到图片的生成能力，但是「翻车」案例也会偶尔出现。
如下图所示，当给定文字提示：「A photo of a warthog」，Stable Diffusion 模型能生成一张相应的、清晰逼真的疣猪照片。然而，当我们对这个文本提示稍作修改，变为：「A photo of a warthog and a traitor」，说好的疣猪呢？怎么变成车了？
一起再来看一看接下来的几个例子，这些又是什么新物种？
是什么原因导致了这些奇怪的现象？这些生成失败的案例都来自于近期发布的一篇论文《Stable Diffusion is Unstable》:
- 论文地址：https://arxiv.org/abs/2306.02583
在这篇论文中首次提出了一种基于梯度的文本到图像模型的对抗算法。这种算法能够高效且有效地生成大量的攻击性文本提示，能够有效的发掘 Stable diffusion 模型的不稳定之处。这个算法在短文本提示中实现了 91.1% 的攻击成功率，而在长文本提示中，攻击成功率也达到了 81.2%。此外，该算法为研究文本到图像生成模型的失败模式提供了丰富的案例，为图片生成可控性研究奠定了基础。
基于该算法生成出的大量生成失败案例，研究者总结出四点生成失败的原因，分别是：
- 生成速度的差异
- 粗粒度特征的相似性
- 单词的多义性
- 词语在 prompt 中的位置
生成速度的差异
当一个提示（prompt）包含多个生成目标时，常常会遇到某个目标在生成过程中消失的问题。理论上讲，同一个提示内的所有目标都应该共享同一个初始噪声。如图 4 所示，研究者们在固定初始噪声的条件下，生成了 ImageNet 上的一千个类别目标。他们将每个目标生成的最后一张图像作为参考图像，并计算了在每个时间步长上生成的图像与最后一步生成的图像的结构相似性指数（SSIM）得分，以此展示了不同目标生成速度的差异。
粗粒度特征的相似性
在扩散生成过程中，研究者发现，当两类目标存在全局或局部的粗粒度特征相似性时，会在计算交叉注意力（cross attention）权重时出现问题。这是因为这两个目标名词可能会同时关注同一张图片的同一个区块，从而产生特征纠缠的现象。例如，在图 6 中，羽毛（feather）和银三文鱼（silver salmon）在粗粒度特征上具有一定的相似性，这导致羽毛可以在基于银三文鱼的第八步生成过程中继续完成其生成任务。而对于没有纠缠的两类目标，比如银三文鱼和魔术师（magician），魔术师就无法在基于银三文鱼的中间步骤图像上完成其生成任务。
一词多义
在这一章节中，研究者们深入探索了当一个词语具有多重含义时的生成情况。他们的发现是，如果没有任何外界的扰动，生成的图像通常会按照该词语的某一特定含义来呈现。以 「warthog」（疣猪）为例，在图 A4 中的第一行就是根据这个词语 「疣猪」这种动物的含义进行生成的。
然而，研究者们也发现，当在原始 prompt 中注入其他词语时，就可能会引发语义的偏移。例如，当在描述 「warthog」的提示中引入了词语 「traitor」（叛徒），生成的图像内容可能就会偏离原来的 「疣猪」含义，产生全新的内容。
词语在 prompt 中的位置
在图 10 中，研究者观察到了一个有趣的现象。虽然从人类的视角来看，那些不同顺序排列的 prompt 大体上含义相同，都是在描述一个既有猫，又有木屐和手枪的图片。然而，对于语言模型，也就是 CLIP 文本编码器来说，词语的顺序在一定程度上影响了其对文本的理解，这种影响反过来又会改变生成图片的内容。这种现象说明，尽管我们的描述在语义上是一致的，但模型却可能因为词语的顺序不同而产生不同的理解和生成结果。这不仅揭示了模型处理语言和理解语义的方式与人类存在差异，同时也提示我们在设计和使用这类模型时，需要更加考虑词语顺序的影响。
模型结构
如下图 1 所示，在不改变提示中原本目标名词的前提下，研究者通过学习 Gumbel Softmax 分布，将单词替换或扩展的离散过程连续化，从而确保扰动生成的可微分性，生成图像后，使用 CLIP 分类器和 margin loss 来优化 ω，旨在生成 CLIP 无法正确分类的图像，为了确保攻击性提示与干净提示具有一定的相似性，研究着近一步使用了语义相似性约束和文本流利度约束。
一旦学会了这个分布学会后，该算法能够针对同一个干净的文本提示采样出多个具有攻击效果的文本提示。
更多细节请见原文。
Postman是一套面向API全生命周期的开发与测试平台，可在Mac上发送和调试多种协议请求，管理集合、环境及认证信息，并完成脚本测试、模拟服务、监控、文档发布和团队协作。它适合开发、测试及运维人员使用，提供个人免费方案。
Docker Desktop 是 Docker 官方为 Mac 提供的容器开发环境，集成 Docker Engine、命令行工具、Compose、Build、Kubernetes 与图形化管理界面。
Android Studio 是 Google 面向安卓应用开发提供的官方集成开发环境，基于 IntelliJ IDEA 构建。它整合智能代码编辑、Gradle 构建、界面预览、设备模拟、性能分析、调试测试及 APK 分析等工具。
Xcode 是苹果面向 Mac 提供的官方集成开发环境，将代码编辑、项目构建、SwiftUI 实时预览、设备模拟、自动化测试、断点调试、性能分析和应用分发整合在同一套工作流中，适合开发与维护 iPhone、iPad、Mac、Apple Wa
JetBrains WebStorm 是面向 JavaScript、TypeScript 和现代 Web 技术的专业集成开发环境，可智能理解项目结构，提供代码补全、重构、错误检查、运行调试、测试及 Git 工具。
PhpStorm 是 JetBrains 推出的专业 PHP 集成开发环境，可在 Mac 上完成代码编写、智能检查、重构、调试、测试和数据库管理。它支持主流 PHP 框架、Composer、Git、Docker 与远程解释器。
JetBrains PyCharm 是面向 Python 开发者的集成开发环境，提供智能补全、代码检查、重构、调试、测试、版本控制及虚拟环境管理功能。Mac 版兼容 Intel 与 Apple 芯片，核心功能可免费使用。
IntelliJ IDEA 是 JetBrains 推出的专业集成开发环境，重点服务于 Java、Kotlin 与 JVM 项目开发。软件集成代码补全、静态检查、重构、调试、测试、版本控制及构建工具，并可借助插件扩展语言和框架支持。
Visual Studio Code 是微软提供的免费代码编辑器，支持 macOS，并为 Intel 与 Apple 芯片 Mac 提供适配版本。软件集代码编辑、调试、Git 源代码管理、集成终端和扩展市场于一体。
REAPER是Cockos开发的数字音频工作站，提供多轨音频与MIDI录制、剪辑、处理、混音和母带制作工具。Mac版兼容Intel与Apple芯片，支持AU、VST、VST3、CLAP等插件格式，并提供高度可定制的工作流程。
Adobe Audition 是面向播客、影视后期、音乐制作及内容创作者的专业音频工作站，提供波形精修、多轨录制与混音、频谱编辑、降噪修复、响度匹配和效果处理工具，并可与 Adobe Premiere 协同完成视频声音制作。
Pro Tools 是 Avid 推出的专业数字音频工作站，覆盖多轨录音、无损剪辑、MIDI 编曲、插件处理、自动化混音及声音与画面同步等工作。它拥有 Intro、Artist、Studio 和 Ultimate 等方案。
PixPix 是面向品牌、卖家和内容团队的在线 AI 图片视频创作平台，提供图视频 Agent、无限画布、图片生成、视频生成、自然语言编辑及商品套图、产品精修和带货视频等电商工具。
Postman 是面向 API 全生命周期的开发与协作平台。Windows 桌面版可用于构建和发送 HTTP、GraphQL、gRPC、WebSocket、MQTT 等请求，并提供环境变量、集合、脚本测试、模拟服务、监控、文档及团队工作区等
Docker Desktop 为 Windows 开发者提供集成式容器环境，内置 Docker Engine、命令行工具、Compose、Build 与 Kubernetes 等组件，可在本机完成镜像构建、容器运行、日志查看和资源管理。
Android Studio 是 Google 面向 Android 应用开发提供的官方集成开发环境，以 IntelliJ IDEA 为基础，集成智能代码编辑、Gradle 构建、设备模拟、界面预览、调试测试及性能分析工具，
WebStorm 是 JetBrains 面向 JavaScript、TypeScript 和现代 Web 技术打造的集成开发环境。它提供项目级代码分析、智能补全、安全重构、导航搜索，并集成调试、测试、终端、Git 与常用前端工具，
PhpStorm 是 JetBrains 面向 PHP 与现代 Web 开发打造的专业集成开发环境，提供代码补全、静态检查、重构、调试、测试、数据库、版本控制及前端语言支持。Windows 用户可直接下载安装程序，
PyCharm 是 JetBrains 推出的 Python 集成开发环境，提供智能代码补全、错误检查、重构、调试、测试、Git、终端及 Jupyter Notebook 支持。统一版安装后可体验 30 天 Pro 功能，
JetBrains IntelliJ IDEA 是以 Java、Kotlin 和 JVM 项目为核心的专业集成开发环境，提供智能补全、代码检查、安全重构、调试、测试、版本控制及构建工具集成。统一发行版的核心功能可免费用于商业和非商业项目，
Visual Studio Code 是微软推出的免费代码编辑器，Windows 版集成智能补全、代码导航、调试、终端和版本控制，并可通过扩展添加语言、格式化及远程开发能力。它启动较快、配置灵活，
REAPER 是 Cockos 推出的数字音频工作站，适用于录音、MIDI 编曲、音频编辑、混音、母带制作及声音设计。软件安装包小巧，支持多轨录制、灵活路由、自动化、第三方插件和脚本扩展，并提供完整功能的 60 天免费评估期。
Adobe Audition 是面向播客、影视后期、广播与音乐制作的专业音频工作站，提供波形编辑、多轨混音、频谱分析、录音、降噪修复和效果处理等功能。Windows 版通过 Adobe Creative Cloud 安装和管理，
Pro Tools 是 Avid 推出的专业数字音频工作站，提供多轨录音、音频剪辑、MIDI编曲、插件处理、自动化混音及影视声音制作能力。它适合音乐人、录音师、制作人和音频后期团队使用，并提供免费入门版、订阅方案及永久授权选择。