uc头条广告推广！让你轻松玩转AIGC广告图像

背景介绍

AIGC 的迅猛发展，使AI广告图像生成成为可能。在uc头条广告推广过程中，相较传统的画图过程，AI作图更为高效，在节约成本的同时，可以大幅提高广告图的多样性。

目前市面上大部分图像生成模型都是基于 diffusion 技术，开源的代表作是 stable diffusion 模型。SD模型凭借其出片速度快、画质精美，深受广大创作者的喜爱，而因其生成未本地化、可控性/稳定性不佳等原因，同产品化仍有距离。

AIGC的工作内容主要是，以扩散模型为核心生成引擎，整合多种技术组装成图像生成的流水线，确保产出高品质、可直接用于uc头条广告推广的广告图像。

stable diffusion 基础结构

AI制图的出现几乎颠覆了原有的制图技术，影响了众多插画师、原画师、设计师的发展方向。AIGC的特点是高效、自动化，但缺少人工干预，生成的效果难以把控。

AIGC在研究和学习了传统的制图工艺技术后，提出了AI制图的生产流程，主要包括两个阶段：自动制图、质量筛选。

AI vs. 传统制图：广告图生产流程

1. 批量生成

其中，自动制图以 Stable Diffusion 模型的生成能力为核心，主要由三部分组成：① 图像前处理 ②训练扩散模型 ③搭建出图流程

前置组件

• 首先，根据输入的文案要求，映射到不同生产流水线，构建后续的任务队列和调度过程。

• 其次，解析、筛选、泛化提示词，确保生成内容在模型支持的范围内。

• 最后，解析好的提示词及其他输入（如有，例如图片、视频等）写入生成队列，等待生成。

扩散模型

扩散模型是生成能力的发动机，通过对模型的训练、改造，可以增强其生成能力。对模型的影响主要包括：①数据训练 ②模型改造两种方式

• 数据训练

  通过收集图像、prompt pair 对，来增强模型在特定数据领域的能力，如:收集场景类图文对,生成更本土化的场景类图像(乡村、街道、健身房等）

  
  

• 模型改造

  - 微调网络结构，如：dreambooth 微调网络，学习电商实体，推理阶段可通过 prompt 控制产出多种风格的电商产品图像

  - 增加子网络，如：lora 学习子网络，学习人物实体，推理阶段可通过 prompt 控制产出不同发式、衣着、姿态、场景 的人物图像

后置组件

图像生成好了，还需围绕模型产出搭建后处理流程，以补足模型的能力，提高出图率。模型后置组件主要包括以下几种：

• 二次处理：对已有的图像进行元素组合、画风变换、背景变换等.

• 图像裁剪：调整图像尺寸，以适应不同业务场景的需要。

• 要素编辑：对已有图片进行文字编辑、增加logo、水印等工作。

尽管模型已经做过定制化的优化训练，其出图的成功率仍然较低，因此需要对于批量产出的图片素材进行质量筛选，目前主要是人工筛选，后续规划会有三个阶段。

• 模型初筛：应用通用风险模型，目标检测模型等检测图像问题。

  
  

• 图像优化：使用商业价值模型评估图像质量，获取商业价值较高的图像集合优先使用。

  
  

• 人工抽审：应用审核、物料标注人力来对最终集合进行复审、抽审，以确保图像的可用性。