UC 头条广告推广！助您自如驾驭 AIGC 广告图像

背景阐述

随着 AIGC 的迅速崛起，AI 广告图像生成变为现实。在“uc 头条广告推广”进程中，与传统的画图方式相比，AI 作图效率更高，既能节省成本，又能显著增加广告图的多样性。

当前，市面上的多数图像生成模型均基于 diffusion 技术，开源方面的典型代表是 stable diffusion 模型。该模型因出片快速、画质出色而备受广大创作者青睐，不过由于其生成未实现本地化、可控性及稳定性欠佳等因素，距离产品化尚有差距。

AIGC 的工作重点在于以扩散模型作为核心生成引擎，融合多种技术构建成图像生成的流水线，以保障产出高品质、能够直接用于“uc 头条广告推广”的广告图像。

stable diffusion 基础架构

思路规划

AI 制图的出现近乎彻底革新了原有的制图技术，对众多插画师、原画师和设计师的发展方向产生了影响。AIGC 具备高效、自动化的特性，但缺少人工介入，生成的效果难以掌控。

AIGC 在对传统制图工艺技术进行研究和学习后，提出了 AI 制图的生产流程，主要涵盖两个阶段：自动制图和质量筛选。

AI 与传统制图：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，主要由以下三部分构成：

① 图像预处理 ②训练扩散模型 ③搭建出图流程

前置组件

• 首先，依据输入的文案要求，映射至不同生产流水线，构建后续的任务队列与调度流程。
• 其次，解析、筛选、泛化提示词，保证生成内容处于模型支持的范畴。
• 最后，将解析好的提示词及其他输入（如有，比如图片、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核心动力，通过对模型的训练与改造，能够增强其生成能力。对模型的影响主要包含：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，增强模型在特定数据领域的能力，例如：收集场景类图文对，生成更具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，在推理阶段可通过 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

图像生成完毕后，还需围绕模型产出构建后处理流程，以弥补模型的能力不足，提升出图率。模型后置组件主要有以下几种：

• 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求。
• 要素编辑：对已有图片进行文字编辑、添加 logo、水印等操作。

2. 质量筛选

即便模型已经进行了定制化的优化训练，其出图的成功率依然较低，所以需要对批量产出的图片素材进行质量筛选，当下主要依靠人工筛选，后续规划包含三个阶段。

• 模型初筛：运用通用风险模型、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：借助审核、物料标注人力对最终集合进行复审、抽审，以确保图像的可用性。