Jodi – 中国科学院推出的视觉理解与生成统一模型

Jodi是什么

Jodi的主要功能

• 联合生成：同时生成图像和多个标签，例如深度图、法线图、边缘图等，生成的图像和标签在语义和空间上保持一致。
• 可控生成：根据给定的标签组合生成图像，用户指定某些标签作为条件输入，控制生成图像的特定属性或特征。
• 图像感知：从给定的图像中同时预测多个标签，实现对图像的多维度理解和分析，例如同时进行深度估计、边缘检测、语义分割等任务。

Jodi的技术原理

• 联合建模：基于图像域和多个标签域的联合分布进行建模，基于学习联合分布p(x, y1, y2, …, yM)，推导出生成任务和理解任务所需的边际分布和条件分布。
• 角色切换机制：在训练过程中，每个域随机分配三种角色之一，生成目标（[G]）、条件输入（[C]）或被忽略（[X]）。模型能同时学习不同类型的概率分布，包括联合生成、可控生成和图像感知。
• 线性扩散Transformer：用线性扩散Transformer作为主干网络，基于线性注意力机制有效降低计算复杂度，让模型能高效地处理多个视觉域。引入了掩码线性注意力和领域不变的位置嵌入，增强不同视觉域之间的一致性和对齐。
• 数据集构建：为支持多视觉域的联合建模，Jodi构建Joint-1.6M数据集，包含20万张高质量图像以及对应的7个视觉域的自动标签，为模型训练提供丰富的数据支持。

Jodi的项目地址

• 项目官网：https://vipl-genun.github.io/Project-Jodi/
• GitHub仓库：https://github.com/VIPL-GENUN/Jodi
• HuggingFace模型库：https://huggingface.co/VIPL-GENUN/Jodi
• arXiv技术论文：https://arxiv.org/pdf/2505.19084

Jodi的应用场景

• 创意内容生成：为艺术家和设计师提供灵感，快速生成具有特定风格或元素的图像。
• 多模态数据增强：生成高质量的多模态数据，增强机器学习模型的训练数据集。
• 图像编辑与修复：根据用户输入修复或编辑图像，生成缺失部分或调整风格。
• 视觉理解与分析：预测多种视觉标签，辅助图像理解任务，如医学图像分析。
• 虚拟现实与增强现实：生成逼真的虚拟场景和标注信息，提升VR和AR应用的体验。