HD-Painter: Υψηλής Ανάλυσης Εικονογράφηση με Οδηγίες Κειμένου με Μοντέλα Διαχύσεως

Μοντέλα διαχύσεως έχουν αναμφισβήτητα επανακαθορίσει τη βιομηχανία AI και ML, με τις εφαρμογές τους σε πραγματικό χρόνο να γίνονται αναπόσπαστο μέρος της καθημερινής μας ζωής. Μετά τα μοντέλα κειμένου-εικόνας να επίδειξαν τις αξιοσημείωτες ικανότητές τους, τεχνικές χειρισμού εικόνας με βάση τη διαχύση, όπως η ελεγχόμενη γενεσιουργία, η εξειδικευμένη και προσωποποιημένη σύνθεση εικόνας, η επεξεργασία εικόνας σε επίπεδο αντικειμένου, οι παραλλαγές με συνθήκη κειμένου και η επεξεργασία, εμφανίστηκαν ως热 연구τικά θέματα λόγω των εφαρμογών τους στη βιομηχανία οπτικής αναγνώρισης.

Ωστόσο, παρά τις εντυπωσιακές ικανότητές τους και τα εξαιρετικά αποτελέσματα, τα πλαίσια κειμένου-εικόνας, ιδιαίτερα τα πλαίσια κειμένου-εικόνας, εξακολουθούν να έχουν πιθανές περιοχές για ανάπτυξη. Αυτές περιλαμβάνουν τη δυνατότητα να κατανοήσουν τις γлобικές σκηνές, ιδιαίτερα όταν αποθειώνουν την εικόνα σε υψηλά βήματα διαχύσεως. Για να αντιμετωπιστούν αυτά τα ζητήματα, ερευνητές εισήγαγαν το HD-Painter, ένα πλήρως εκπαιδευμένο πλαίσιο που ακολουθεί με ακρίβεια τις οδηγίες κειμένου και κλιμακώνεται σε υψηλής ανάλυσης εικονογράφηση συνεκτικά. Το πλαίσιο HD-Painter χρησιμοποιεί ένα στρώμα Προσαρμοσμένης Εσωστρεφούς Προσοχής (PAIntA), το οποίο αξιοποιεί πληροφορίες κειμένου για να ενισχύσει τους βαθμούς αυτοπροσοχής, με αποτέλεσμα καλύτερη γενεσιουργία συσχετίσεων κειμένου.

Για να βελτιώσειさらに τη συνάφεια της οδηγίας, το μοντέλο HD-Painter εισάγει μια προσέγγιση Επαναβαρύτησης Βαθμών Προσοχής (RASG). Αυτή η προσέγγιση ενσωματώνει μια στρατηγική δειγματοληψίας μετά την επεξεργασία στο γενικό σχήμα του συνόλου DDIM, αποτρέποντας τις εκτός κατανομής μετατοπίσεις. Επιπλέον, το πλαίσιο HD-Painter διαθέτει μια εξειδικευμένη τεχνική υπερ-ανάλυσης που προσαρμόζεται για εικονογράφηση, επιτρέποντας του να επεκτείνει σε μεγαλύτερες κλίμακες και να ολοκληρώσει τις λείπουσες περιοχές της εικόνας με ανάλυση έως 2K.

HD-Painter: Εικονογράφηση με Οδηγίες Κειμένου

Τα μοντέλα διαχύσεως κειμένου-εικόνας έχουν πράγματι αποτελέσει σημαντικό θέμα στην βιομηχανία AI και ML τους τελευταίους μήνες, με τα μοντέλα να επίδειξαν εντυπωσιακές ικανότητες σε πραγματικό χρόνο σε διάφορες πρακτικές εφαρμογές. Προ-εκπαιδευμένα μοντέλα κειμένου-εικόνας όπως το DALL-E, Imagen και Stable Diffusion έχουν δείξει την καταλληλότητά τους για ολοκλήρωση εικόνας με τη συγχώνευση των αποθειωμένων (γεννημένων) αγνώστων περιοχών με τις διαχυσμένες γνωστές περιοχές κατά τη διαδικασία ανάστροφης διαχύσεως.尽管 παράγουν οπτικά ελκυστικά και αρμονικά αποτελέσματα, τα υπάρχοντα μοντέλα δυσκολεύονται να κατανοήσουν τη γлобική σκηνή, ιδιαίτερα υπό τη διαδικασία αποθειώσεως υψηλής διαχύσεως. Με τη τροποποίηση των προ-εκπαιδευμένων μοντέλων κειμένου-εικόνας για να ενσωματώσουν πρόσθετες πληροφορίες контекστού, αυτά μπορούν να εξειδικευτούν για εικονογράφηση με οδηγίες κειμένου.

Επιπλέον, μέσα στα μοντέλα διαχύσεως, η εικονογράφηση με οδηγίες κειμένου και η ολοκλήρωση εικόνας με οδηγίες κειμένου είναι σημαντικά πεδία ενδιαφέροντος για τους ερευνητές. Αυτό το ενδιαφέρον οφείλεται στο γεγονός ότι τα μοντέλα εικονογράφησης με οδηγίες κειμένου μπορούν να γεννήσουν περιεχόμενο σε συγκεκριμένες περιοχές μιας εισαγόμενης εικόνας με βάση κειμενικές οδηγίες, οδηγώντας σε πιθανές εφαρμογές όπως η ανανέωση συγκεκριμένων περιοχών εικόνας, η τροποποίηση χαρακτηριστικών αντικειμένων όπως χρώματα ή ρούχα, και η προσθήκη ή αντικατάσταση αντικειμένων. Σε σύνοψη, τα μοντέλα κειμένου-εικόνας διαχύσεως έχουν πρόσφατα επιτύχει άνευ προηγουμένου επιτυχία, λόγω των εξαιρετικά ρεαλιστικών και οπτικά ελκυστικών ικανοτήτων γενεσιουργίας.

Ωστόσο, η πλειοψηφία των υφιστάμενων πλαισίων δείχνει παραμέληση της οδηγίας σε δύο σενάρια. Το πρώτο είναι Δominance του Φόντου όταν το μοντέλο ολοκληρώνει την αγνώστη περιοχή αγνοώντας την οδηγία στο φόντο, ενώ το δεύτερο σενάριο είναι Δominance κοντινών αντικειμένων όταν το μοντέλο προωθεί τις γνωστές περιοχές αντικειμένων στην αγνώστη περιοχή χρησιμοποιώντας την οπτική контекστού πιθανότητα αντί της εισαγόμενης οδηγίας. Είναι πιθανό ότι και τα δύο αυτά ζητήματα μπορεί να είναι αποτέλεσμα της ικανότητας του vanilla εικονογράφησης διαχύσεως να ερμηνεύσει ακριβώς την κειμενική οδηγία ή να τη μεικτήσει με την πληροφορία контекστού από την γνωστή περιοχή. 

Για να αντιμετωπιστούν αυτά τα εμπόδια, το πλαίσιο HD-Painter εισάγει το στρώμα Προσαρμοσμένης Εσωστρεφούς Προσοχής ή PAIntA, το οποίο χρησιμοποιεί πληροφορίες κειμένου για να ενισχύσει τους βαθμούς αυτοπροσοχής, με αποτέλεσμα καλύτερη γενεσιουργία συσχετίσεων κειμένου. Το PAIntA χρησιμοποιεί την κειμενική συνθήκη για να ενισχύσει την αυτοπροσοχή με στόχο να μειώσει την επίδραση της μη-σχετικής με την οδηγία πληροφορίας από την περιοχή εικόνας, ενώ ταυτόχρονα αυξάνει τη συμβολή των γνωστών pixel που ευθυγραμμίζονται με την οδηγία. Για να βελτιώσειさらに τη συσχετίση κειμένου των γεννημένων αποτελεσμάτων, το πλαίσιο HD-Painter εφαρμόζει μια μεθόδου οδηγίας μετά την επεξεργασία που αξιοποιεί τους βαθμούς δια-προσοχής. Ωστόσο, η εφαρμογή της μεθόδου οδηγίας μετά την επεξεργασία μπορεί να προκαλέσει μετατοπίσεις εκτός κατανομής ως αποτέλεσμα του πρόσθετου όρου γραμμικής στην εξίσωση διαχύσεως. Η μετατόπιση εκτός κατανομής θα οδηγήσει τελικά στη μείωση της ποιότητας του γεννημένου αποτελέσματος. Για να αντιμετωπιστούν αυτά τα εμπόδια, το πλαίσιο HD-Painter εφαρμόζει τη μεθοδολογία Επαναβαρύτησης Βαθμών Προσοχής ή RASG, μια μέθοδο που ενσωματώνει μια στρατηγική δειγματοληψίας μετά την επεξεργασία στο γενικό σχήμα του συνόλου DDIM, επιτρέποντας στο πλαίσιο να παράγει οπτικά πιθανά αποτελέσματα εικονογράφησης, οδηγώντας το δείγμα προς τις προσανατολισμένες λατινικές και περιέχοντάς τες στο εκπαιδευμένο του πεδίο.

Με την εφαρμογή και των δύο στοιχείων RASH και PAIntA στη δομή του, το πλαίσιο HD-Painter έχει σημαντικό πλεονέκτημα έναντι των υφιστάμενων, συμπεριλαμβανομένων των μοντέλων εικονογράφησης και διαχύσεως κειμένου-εικόνας, επειδή καταφέρνει να λύσει το υπάρχον ζήτημα της παραμέλησης της οδηγίας. Επιπλέον, και τα δύο στοιχεία RASH και PAIntA προσφέρουν λειτουργικότητα plug and play, επιτρέποντάς τους να είναι συμβατά με τα μοντέλα εικονογράφησης διαχύσεως για να αντιμετωπίσουν τις προκλήσεις που αναφέρθηκαν παραπάνω. Επιπλέον, εφαρμόζοντας μια χρονική-επαναλαμβανόμενη τεχνική συνδυασμού και αξιοποιώντας τις ικανότητες υψηλής ανάλυσης μοντέλων διαχύσεως, η διαδικασία HD-Painter μπορεί να λειτουργήσει αποτελεσματικά για εικονογράφηση έως 2K ανάλυσης. 

Για να συνοψίσουμε, το HD-Painter στοχεύει να κάνει τις ακόλουθες συνεισφορές στο πεδίο:

1. Στοχεύει να επιλύσει το ζήτημα της παραμέλησης της οδηγίας του φόντου και της δominance κοντινών αντικειμένων που βιώνουν τα πλαίσια εικονογράφησης με οδηγίες κειμένου, εφαρμόζοντας το στρώμα Προσαρμοσμένης Εσωστρεφούς Προσοχής ή PAIntA στη δομή του. 
2. Στοχεύει να βελτιώσει τη συσχετίση κειμένου της έξοδου, εφαρμόζοντας το στρώμα Επαναβαρύτησης Βαθμών Προσοχής ή RASG στη δομή του, το οποίο επιτρέπει στο πλαίσιο HD-Painter να thựcεί οδηγία δειγματοληψίας μετά την επεξεργασία, αποτρέποντας μετατοπίσεις εκτός κατανομής. 
3. Σχεδιάζει μια αποτελεσματική διαδικασία εικονογράφησης με οδηγίες κειμένου, ικανή να υπερβαίνει τα υπάρχοντα πλαίσια, και χρησιμοποιώντας την απλή αλλά αποτελεσματική τεχνική υπερ-ανάλυσης για εικονογράφηση, για να πραγματοποιήσει εικονογράφηση με οδηγίες κειμένου έως 2K ανάλυσης. 

HD-Painter: Μέθοδος και Αρχιτεκτονική

Πριν εξετάσουμε την αρχιτεκτονική, είναι ζωτικό να κατανοήσουμε τις τρεις θεμελιώδεις έννοιες που αποτελούν τη βάση του πλαισίου HD-Painter: Εικονογράφηση, Οδηγία μετά την επεξεργασία σε Πλαίσια Διαχύσεως, και Εξειδικευμένα Μπλοκ Αρχιτεκτονικής. 

Η εικονογράφηση είναι μια προσέγγιση που στοχεύει να γεμίσει τις λείπουσες περιοχές μέσα σε μια εικόνα, διατηρώντας την οπτική ελκυστικότητα της γεννημένης εικόνας. Παραδοσιακά, τα μοντέλα βαθιάς μάθησης εφαρμόζουν μεθόδους που χρησιμοποιούν γνωστές περιοχές για να προωθήσουν βαθιά χαρακτηριστικά. Ωστόσο, η εισαγωγή των μοντέλων διαχύσεως έχει οδηγήσει στην εξέλιξη των μοντέλων εικονογράφησης, ιδιαίτερα των μοντέλων εικονογράφησης με οδηγίες κειμένου. Παραδοσιακά, ένα προ-εκπαιδευμένο μοντέλο κειμένου-εικόνας αντικαθιστά την αμασμένη περιοχή του λατινικού με τη χρήση της θορυβώδους εκδοχής της γνωστής περιοχής κατά τη διαδικασία δειγματοληψίας. Αν και αυτή η προσέγγιση λειτουργεί μέχρι ένα σημείο, μειώνει σημαντικά την ποιότητα του γεννημένου αποτελέσματος, επειδή το δίκτυο αποθειώσεως βλέπει μόνο τη θορυβώδη εκδοχή της γνωστής περιοχής. Για να αντιμετωπιστούν αυτά τα εμπόδια, ορισμένες προσεγγίσεις στοχεύουν να εξειδικεύσουν το προ-εκπαιδευμένο μοντέλο κειμένου-εικόνας για να επιτύχουν εικονογράφηση με οδηγίες κειμένου. Εφαρμόζοντας αυτήν την προσέγγιση, το πλαίσιο είναι ικανό να γεννήσει μια τυχαία μάσκα μέσω συνδυασμού,既然 το μοντέλο μπορεί να συνδυάσει το δίκτυο αποθειώσεως με την αμασμένη περιοχή. 

Συνεχίζοντας, τα παραδοσιακά μοντέλα βαθιάς μάθησης εφαρμόζουν ειδικά σχεδιασμένα στρώματα για αποτελεσματική εικονογράφηση, με ορισμένα μοντέλα να μπορούν να εξάγουν αποτελεσματικά πληροφορίες και να παράγουν οπτικά ελκυστικές εικόνες, εισάγοντας ειδικά στρώματα συσχετισμού για να αντιμετωπίσουν τις γνωστές περιοχές της εικόνας. Ορισμένα μοντέλα έχουν ακόμη προσθέσει ένα στρώμα προσοχής контекστού στη δομή τους για να μειώσουν τις απαιτήσεις των υπολογιστικών πόρων για υψηλής ποιότητας εικονογράφηση. 

Τέλος, οι μεθόδοι οδηγίας μετά την επεξεργασία είναι μεθόδους δειγματοληψίας ανάστροφης διαχύσεως που οδηγούν την προβλέψη του επόμενου λατινικού προς μια συγκεκριμένη αντικειμενική συνάρτηση. Οι μεθόδοι οδηγίας μετά την επεξεργασία είναι πολύ χρήσιμες όταν πρόκειται για τη γενεσιουργία οπτικού περιεχομένου, ιδιαίτερα στην παρουσία πρόσθετων περιορισμών. Ωστόσο, οι μεθόδοι οδηγίας μετά την επεξεργασία έχουν ένα σημαντικό μειονέκτημα: είναι γνωστό ότι οδηγούν σε μείωση της ποιότητας της εικόνας, επειδή έχουν την τάση να μετατοπίζουν τη διαδικασία γενεσιουργίας λατινικών με einen όρο γραμμικής. 

Ερχόμενοι στην αρχιτεκτονική του HD-Painter, το πλαίσιο πρώτα διατυπώνει το πρόβλημα ολοκλήρωσης εικόνας με οδηγίες κειμένου και εισάγει δύο μοντέλα διαχύσεως, τα Stable Inpainting και Stable Diffusion. Το μοντέλο HD-Painter εισάγει τα στρώματα PAIntA και RASG, και τελικά φτάνουμε στην τεχνική υπερ-ανάλυσης ειδικά σχεδιασμένη για εικονογράφηση. 

Σταθερή Διαχύση και Σταθερή Εικονογράφηση

Η Σταθερή Διαχύση είναι ένα μοντέλο διαχύσεως που λειτουργεί στο χώρο του αυτοκωδικοποιητή. Για τη σύνθεση εικόνας με κείμενο, το πλαίσιο Σταθερής Διαχύσεως εφαρμόζει μια κειμενική οδηγία για να οδηγήσει τη διαδικασία. Η οδηγία έχει μια δομή παρόμοια με τη δομή UNet, και τα στρώματα δια-προσοχής την συνδέουν με τις κειμενικές οδηγίες. Επιπλέον, το μοντέλο Σταθερής Διαχύσεως μπορεί να thựcεί εικονογράφηση με οδηγίες κειμένου με ορισμένες τροποποιήσεις και εξειδίκευση. Για να το επιτύχει, τα χαρακτηριστικά της μασκαρεμένης εικόνας που παράγονται από τον κωδικοποιητή συνδυάζονται με τη μειωμένη δυαδική μάσκα στα λατινικά. Ο απαρτιζόμενος πίνακας εισάγεται στη δομή UNet για να ληφθεί η εκτιμώμενη θόρυβος. Το πλαίσιο αρχικοποιεί τους νεοπροστεθέντες φίλτρες σύγκλισης με μηδενικά, ενώ το υπόλοιπο της δομής UNet αρχικοποιείται χρησιμοποιώντας προ-εκπαιδευμένα σημεία από το μοντέλο Σταθερής Διαχύσεως. 

Η παραπάνω εικόνα δείχνει την επισκόπηση του πλαισίου HD-Painter, το οποίο αποτελείται από δύο στάδια. Στο πρώτο στάδιο, το HD-Painter εφαρμόζει εικονογράφηση με οδηγίες κειμένου, ενώ στο δεύτερο στάδιο, το μοντέλο εικονογραφεί συγκεκριμένες υπερ-ανάλυσεις της έξοδου. Για να γεμίσει τις λείπουσες περιοχές και να παραμείνει συνεπές με την εισαγόμενη οδηγία, το μοντέλο λαμβάνει ένα προ-εκπαιδευμένο μοντέλο εικονογράφησης διαχύσεως, αντικαθιστά τα στρώματα αυτοπροσοχής με στρώματα PAIntA, και εφαρμόζει τη μεθοδολογία RASG για να thựcεί μια διαδικασία ανάστροφης διαχύσεως. Το μοντέλο αποκωδικοποιεί το τελικό εκτιμώμενο λατινικό, οδηγώντας σε μια εικονογραφημένη εικόνα. Το HD-Painter εφαρμόζει τη σταθερή διαχύση για να εικονογραφήσει την εικόνα σε πλήρη ανάλυση, και εφαρμόζει τη διαδικασία ανάστροφης διαχύσεως του πλαισίου Σταθερής Διαχύσεως, συνδεδεμένο με την είσοδο εικόνας χαμηλής ανάλυσης. Το μοντέλο συνδυάζει τις αποθειωμένες προβλέψεις με την κωδικοποίηση της αρχικής εικόνας στην γνωστή περιοχή και λαμβάνει το επόμενο λατινικό. Τέλος, το μοντέλο αποκωδικοποιεί το λατινικό και εφαρμόζει συνδυασμό Poisson για να αποφύγει τα οπτικά αρτεφάκτα. 

Προσαρμοσμένη Εσωστρεφής Προσοχή ή PAIntA

Τα υπάρχοντα μοντέλα εικονογράφησης, όπως η Σταθερή Εικονογράφηση, έχουν την τάση να βασίζονται περισσότερο στον οπτικό контекστού γύρω από την περιοχή εικονογράφησης και να αγνοούν τις εισαγόμενες οδηγίες κειμένου. Με βάση την εμπειρία του χρήστη, αυτό το ζήτημα μπορεί να κατηγοριοποιηθεί σε δύο κατηγορίες: δominance κοντινών αντικειμένων και δominance του φόντου. Το ζήτημα της κυριαρχίας του οπτικού контекστού над τις οδηγίες κειμένου μπορεί να είναι αποτέλεσμα της μόνο-χωρικής και ανεξάρτητης από το κείμενο φύσεως των στρωμάτων αυτοπροσοχής. Για να αντιμετωπιστούν αυτά τα εμπόδια, το πλαίσιο HD-Painter εισάγει την Προσαρμοσμένη Εσωστρεφή Προσοχή ή PAIntA, η οποία χρησιμοποιεί πίνακες δια-προσοχής και μια μάσκα εικονογράφησης για να ελέγξει την έξοδο των στρωμάτων αυτοπροσοχής στην αγνώστη περιοχή. 

Το στοιχείο Προσαρμοσμένης Εσωστρεφούς Προσοχής εφαρμόζει πρώτα στρώματα προβολής για να ληφθούν τα κλειδιά, οι τιμές και οι ερωτήσεις, μαζί με τον πίνακα ομοιότητας. Το μοντέλο στη συνέχεια điều chỉnhει τον βαθμό προσοχής των γνωστών pixel για να μειώσει την ισχυρή επίδραση της γνωστής περιοχής στην αγνώστη περιοχή, και ορίζει einen νέο πίνακα ομοιότητας αξιοποιώντας την κειμενική οδηγία. 

Επαναβαρύτηση Βαθμών Προσοχής ή RASG

Το πλαίσιο HD-Painter εφαρμόζει μια μεθοδολογία οδηγίας δειγματοληψίας για να βελτιώσειさらに τη συσχετίση γενεσιουργίας με τις κειμενικές οδηγίες. Μαζί με μια αντικειμενική συνάρτηση, η μεθοδολογία οδηγίας δειγματοληψίας στοχεύει να αξιοποιήσει τις ιδιότητες ανοικτής λεξικής των στρωμάτων δια-προσοχής. Ωστόσο, αυτή η μεθοδολογία της οδηγίας δειγματοληψίας έχει την τάση να μετατοπίζει το πεδίο της διαχύσεως, οδηγώντας σε μείωση της ποιότητας της γεννημένης εικόνας. Για να αντιμετωπιστούν αυτά τα εμπόδια, το μοντέλο HD-Painter εφαρμόζει τη μεθοδολογία Επαναβαρύτησης Βαθμών Προσοχής ή RASG, η οποία εισάγει einen μηχανισμό επαναβαρύτησης, οδηγώντας στην διατήρηση του πεδίου του λατινικού. 

HD-Painter: Πειράματα και Αποτελέσματα

Για να αναλύσει την απόδοσή του, το πλαίσιο HD-Painter συγκρίνεται με τα υπάρχοντα μοντέλα, συμπεριλαμβανομένων των Stable Inpainting, GLIDE, και BLD ή Blended Latent Diffusion, σε 10000 τυχαίες δείγματα, όπου η οδηγία επιλέγεται ως το λεζάντα της επιλεγμένης μάσκας. 

Όπως μπορεί να παρατηρηθεί, το πλαίσιο HD-Painter υπερβαίνει τα υπάρχοντα μοντέλα σε τρεις διαφορετικές μετρήσεις με σημαντική διαφορά, ιδιαίτερα την βελτίωση των 1,5 βαθμών στη μετρική CLIP και τη διαφορά στην ακρίβεια της γεννημένης εικόνας περίπου 10% από τα άλλα μοντέλα. 

Συνεχίζοντας, η ακόλουθη εικόνα δείχνει την ποιοτική σύγκριση του πλαισίου HD-Painter με άλλα μοντέλα εικονογράφησης. Όπως μπορεί να παρατηρηθεί, τα άλλα μοντέλα είτε ολοκληρώνουν τις λείπουσες περιοχές της εικόνας ως συνέχεια των γνωστών περιοχών αντικειμένων αγνοώντας τις οδηγίες, είτε γεννήσουν ένα φόντο. Από την άλλη πλευρά, το πλαίσιο HD-Painter είναι ικανό να γεννήσει τα στόχους αντικείμενα επιτυχώς, χάρη στην εφαρμογή των στοιχείων PAIntA και RASG στη δομή του. 

Τελικές Σκέψεις

Σε αυτό το άρθρο, μιλήσαμε για το HD-Painter, μια εκπαιδευμένη εικονογράφηση με οδηγίες κειμένου υψηλής ανάλυσης που αντιμετωπίζει τις προκλήσεις που βιώνουν τα υπάρχοντα μοντέλα εικονογράφησης, συμπεριλαμβανομένης της παραμέλησης της οδηγίας και της δominance κοντινών και φόντου αντικειμένων. Το πλαίσιο HD-Painter εφαρμόζει ένα στρώμα Προσαρμοσμένης Εσωστρεφούς Προσοχής ή PAIntA, το οποίο χρησιμοποιεί πληροφορίες κειμένου για να ενισχύσει τους βαθμούς αυτοπροσοχής, οδηγώντας σε καλύτερη γενεσιουργία συσχετίσεων κειμένου. 

Για να βελτιώσειさらに τη συνάφεια της οδηγίας, το μοντέλο HD-Painter εισάγει μια προσέγγιση Επαναβαρύτησης Βαθμών Προσοχής ή RASG, η οποία ενσωματώνει μια στρατηγική δειγματοληψίας μετά την επεξεργασία στο γενικό σχήμα του συνόλου DDIM, αποτρέποντας μετατοπίσεις εκτός κατανομής. Επιπλέον, το πλαίσιο HD-Painter εισάγει μια εξειδικευμένη τεχνική υπερ-ανάλυσης που προσαρμόζεται για εικονογράφηση, επιτρέποντας του να επεκτείνει σε μεγαλύτερες κλίμακες και να ολοκληρώσει τις λείπουσες περιοχές της εικόνας με ανάλυση έως 2K.