ํฐ์คํ ๋ฆฌ ๋ทฐ
DreamBooth: Fine Tuning Text-to-Image Diffusion Models for Subject-Driven Generation
ํด๋์๊ทธ 2024. 5. 21. 22:20CVPR 2023. [Paper]
Nataniel Ruiz, Yuanzhen Li, Varun Jampani, Yael Pritch, Michael Rubinstein, Kfir Aberman
Google Research | Boston University
25 Aug 2022
Abstract
Fine-tunning ์ด๋?
๊ธฐ์กด์ ํ์ต๋ ๋ชจ๋ธ(Pretrained model)์ ๊ธฐ๋ฐ์ผ๋ก ์ถ๊ฐ์ ์ผ๋ก ์๋ก์ด ๋ฐ์ดํฐ์ ํ์ต์ ํตํด ๋ชจ๋ธ์ ํ๋ผ๋ฏธํฐ๋ฅผ ๋ฏธ์ธ์กฐ์ ํ๋ ๊ฒ์ด๋ค. Latent Diffusion ๋ชจ๋ธ์์ ํ์ต๊ฐ๋ฅํ ํ๋ผ๋ฏธํฐ์ ์์ญ์ ํฌ๊ฒ ํ ์คํธ ์ธ์ฝ๋์ U-net ์์ญ์ด ์์ผ๋ฉฐ, ๋๋ฆผ๋ถ์ค๋ ๋๊ฐ์ง ํ๋ผ๋ฏธํฐ ๋ชจ๋ ํ์ตํ๋ค.
๋ณธ ๋ ผ๋ฌธ์์๋ text-to-image diffusion model์ "๊ฐ์ธํ"๋ฅผ ์ํ ์๋ก์ด ์ ๊ทผ ๋ฐฉ๋ฒ์ ์ ์ํ๋ค. ํผ์ฌ์ฒด์ ์ด๋ฏธ์ง ๋ช ๊ฐ๋ง ์ ๋ ฅ์ผ๋ก ์ฃผ์ด์ง๋ฉด, ์ฌ์ ํ๋ จ๋ ํ ์คํธ-์ด๋ฏธ์ง ๋ชจ๋ธ์ ๋ฏธ์ธ ์กฐ์ ํ ์ ์๋ค.
Introduction
์ต๊ทผ ๊ฐ๋ฐ๋ ๋ํ text-to-image ๋ชจ๋ธ์ ๊ณ ํ์ง์ ๋ค์ํ ์ด๋ฏธ์ง ํฉ์ฑ์ ๊ฐ๋ฅํ๊ฒ ํจ์ผ๋ก์จ ์ ๋ก ์๋ ๊ธฐ๋ฅ์ ๋ณด์ฌ์ค๋ค. ์ด๋ฌํ ๋ชจ๋ธ์ ์ฃผ์ ์ด์ ์ ์ด๋ฏธ์ง-์บก์ ์์ ๋๊ท๋ชจ ์ปฌ๋ ์ ์์ ํ์ตํ ๊ฐ๋ ฅํ semantic prior์ด๋ค.
์ด๋ฌํ ๋ชจ๋ธ์ ์ฃผ์ด์ง ๋ ํผ๋ฐ์ค์์ ํผ์ฌ์ฒด์ ๋ชจ์์ ๋ชจ๋ฐฉํ๊ณ ๋ค์ํ ๋งฅ๋ฝ์์ ๋์ผํ ํผ์ฌ์ฒด์ ์๋ก์ด ํํ์ ํฉ์ฑํ๋ ๋ฅ๋ ฅ์ด ๋ถ์กฑํ๋ฉฐ, ์ด๋ ์ถ๋ ฅ ๋๋ฉ์ธ์ ํํ๋ ฅ์ด ์ ํ๋์ด ์๊ธฐ ๋๋ฌธ์ด๋ค.
๋ํ ํ ์คํธ ์๋ฒ ๋ฉ์ด language-vision space์ ์๋ ๋ชจ๋ธ๋ ์ฃผ์ด์ง ๋์์ ๋ชจ์ต์ ์ ํํ๊ฒ ์ฌ๊ตฌ์ฑํ ์ ์๊ณ , ์ด๋ฏธ์ง ์ฝํ ์ธ ์ ๋ณํ๋ง ์์ฑํ ์ ์๋ค.
๋ณธ ๋ ผ๋ฌธ์์๋ text-to-image diffusion model์ ์ฌ์ฉ์์ ์ด๋ฏธ์ง ์์ฑ ์๊ตฌ ์ฌํญ์ ๋ง๊ฒ ๋ชจ๋ธ์ด ์กฐ์ ๋๋, ์ฆ “๊ฐ์ธํ”๋ฅผ ์ํ ์๋ก์ด ์ ๊ทผ ๋ฐฉ์์ ์ ์ํ๋ค.
๋ณธ ๋ ผ๋ฌธ์ด ๊ธฐ์ฌํ ๋ฐ๋ ๋ค์๊ณผ ๊ฐ๋ค.
1. ์๋ก์ด ๋ฌธ์ ๋ฅผ ์ ์: subject-driven generation(subject์ ๋ํ ๋ช์ฅ์ ์ฌ์ง์ด ์ฃผ์ด์ง๋ฉด, ๋ค์ํ context๋ก ํฉ์ฑํ๋, ๋์์ subject์ ๋ํ key feature๋ฅผ high fidelity๋ก ์ ์งํ๋ ๊ฒ)
2. ์๋ก์ด ๊ธฐ๋ฒ์ ์ ์: few-shot setting์์ text-to-image diffusion model์ ๊ธฐ์กด์ semantic knowledge๋ฅผ ์ ์งํ๋ฉด์๋ fine-tuneํ๋ ์๋ก์ด ๊ธฐ๋ฒ ์ ์
Method
๋ณธ ๋ ผ๋ฌธ์ ๋ชฉํ๋ ํผ์ฌ์ฒด์ ์ด๋ฏธ์ง ๋ช ๊ฐ(์ผ๋ฐ์ ์ผ๋ก 3-5)๊ฐ ์ฃผ์ด์ง๋ฉด ๋ชจ๋ธ์ ์ถ๋ ฅ ๋๋ฉ์ธ์ ํผ์ฌ์ฒด๋ฅผ ์ด์ํ์ฌ ๊ณ ์ ์๋ณ์๋ก ํฉ์ฑํ ์ ์๋๋ก ํ๋ ๊ฒ์ด๋ค. ๋์ ๋ํ ์ผ fidelity๋ก ํ ์คํธ ํ๋กฌํํธ์ ์ํด guide๋ ํผ์ฌ์ฒด์ ์๋ก์ด ์ด๋ฏธ์ง๋ฅผ ์์ฑํ๋ ๊ฒ์ด ๋ณธ ๋ ผ๋ฌธ์ ๋ชฉํ์ด๋ค. ์ ๋ ฅ ์ด๋ฏธ์ง ์บก์ฒ์ ์ ํ์ ๋์ง ์์ผ๋ฉฐ ํผ์ฌ์ฒด ์ด๋ฏธ์ง๋ ๋ค์ํ ์ปจํ ์คํธ๋ฅผ ๊ฐ์ง ์ ์๋ค. ๋ฐฉ๋ฒ์ ๋ํ ๊ฐ์๋ ๋ค์๊ณผ ๊ฐ๋ค.
์ ๊ทธ๋ฆผ์ ๋ณด๋ฉด, Pretrained Text-to-Image model, ๋ช์ฅ์ ์ด๋ฏธ์ง, ๋์์ ๋ํ class ์ด๋ฆ์ด ์ฃผ์ด์ง๊ณ ์ด๋ฅผ Dreambooth๋ฅผ ํตํด Fine-tuning ํ๋ฉด, unique identifier [V]์ ๋ํ ํ์ต์ด ๋ Personalized Text-to-Image model ์ด Output์ผ๋ก ๋์จ๋ค.
์ฒซ ๋ฒ์งธ ์์ ์ ํผ์ฌ์ฒด ์ธ์คํด์ค๋ฅผ ๋ชจ๋ธ์ ์ถ๋ ฅ ๋๋ฉ์ธ์ ์ด์ํ๊ณ ํผ์ฌ์ฒด๋ฅผ ๊ณ ์ ์๋ณ์๋ก ๋ฐ์ธ๋ฉํ๋ ๊ฒ์ด๋ค. ์ค์ํ ๋ฌธ์ ๋ ํผ์ฌ์ฒด๋ฅผ ๋ณด์ฌ์ฃผ๋ ์์ ์ด๋ฏธ์ง๋ค์ finetuningํ๋ฉด ์ฃผ์ด์ง ์ด๋ฏธ์ง์ overfitting๋๋ ๊ฒฝํฅ์ด ์๋ค๋ ๊ฒ์ด๋ค. ๋ํ language drift๋ ์ธ์ด ๋ชจ๋ธ์์ ํํ ๋ฐ์ํ๋ ๋ฌธ์ ์ด๋ฉฐ text-to-image diffusion model์์๋ ๋ํ๋๋ค. ์ด๋ฅผ ์ํด ์ ์๋ค์ diffusion model์ด ์ฃผ์ ์ ๋์ผํ ํด๋์ค์ ๋ค์ํ ์ธ์คํด์ค๋ฅผ ๊ณ์ ์์ฑํ๋๋ก ํ์ฌ overfitting์ ์ํํ๊ณ language drift๋ฅผ ๋ฐฉ์งํ๋ autogenous class-specific prior preservation loss๋ฅผ ์ ์ํ๋ค.
๋ํ ์ผ์ ๋ณด์กด์ ๊ฐํํ๋ ค๋ฉด ๋ชจ๋ธ์ super-resolution ๋ถ๋ถ๋ finetuningํด์ผ ํ๋ค. ๊ทธ๋ฌ๋ naiveํ ๋ฐฉ์์ผ๋ก ๋์ ์ธ์คํด์ค๋ฅผ ์์ฑํ๋๋ก finetuning๋ ๊ฒฝ์ฐ ์ธ์คํด์ค์ ์ค์ํ ๋ํ ์ผ๋ค์ ๋ณต์ ํ ์ ์๋ค. ์ ์๋ค์ ์ฃผ์ ์ ๋ํ ์ผ์ ๋ ์ ๋ณด์กดํ๊ธฐ ์ํด ์ด๋ฌํ SR ๋ชจ๋์ ํ์ต์ํค๊ณ ํ ์คํธํ ์ ์๋ ํต์ฐฐ๋ ฅ์ ์ ๊ณตํ์ฌ ์ฌ๋งฅ๋ฝํ(recontextualization)์์ ์ ๋ก ์๋ ์ฑ๋ฅ์ ๋ฌ์ฑํ์๋ค. ์ ์๋ค์ด ์ ์ํ ํ์ต ์ ์ฐจ์ ์ค์ผ์น๋ ์๋ ๊ทธ๋ฆผ์ ๋์ ์๋ค. ๋ณธ ๋ ผ๋ฌธ์์๋ ์ฌ์ ํ๋ จ๋ Imagen ๋ชจ๋ธ์ ๊ธฐ๋ณธ ๋ชจ๋ธ๋ก ์ฌ์ฉํ๋ค.
๋๋ฆผ๋ถ์ค๋ class name์ ํตํ์ฌ ๊ธฐ์กด ๋ชจ๋ธ์ ๋ด์ฉ์ ์ ์งํ๋ฉด์ ์๋ก์ด ๋ด์ฉ์ ํ์ตํ๋๋ก ํ์๋ค.
ํ์ตํ๊ณ ์ถ์ ์ด๋ฏธ์ง์ธ A [v] dog์ ๋ํ input image๋ฅผ ํ์ตํจ๊ณผ ๋์์, ๊ธฐ์กด ๋ชจ๋ธ์ ์ด์ฉํ์ฌ ์ถ๋ ฅํ A dog ๋ผ๋ class name์ ๋ํ ์ด๋ฏธ์ง์ธ class image๋ฅผ ๊ฐ์ด ํ์ตํ์ฌ ๊ธฐ์กด ๋ชจ๋ธ์ด ๊ฐ์ง class name์ ๋ํ ์ง์์ ์์ง ์๋๋ก ํ๋ ๊ฒ์ด๋ค.
Designing Prompts for Few-Shot Personalization
์ ์๋ค์ ๋ชฉํ๋ ์๋ก์ด (key, value) ์์ diffusion model์ ์ฌ์ ์ ์ฝ์ ํ์ฌ ์ฃผ์ ์ ๋ํ key๊ฐ ์ฃผ์ด์ง๋ฉด ํ ์คํธ ํ๋กฌํํธ๋ก guide๋ ์ ์๋ฏธํ ์๋ฏธ ์์ ์ ํตํด ์ด ํน์ ์ฃผ์ ์ ์์ ํ ์๋ก์ด ์ด๋ฏธ์ง๋ฅผ ์์ฑํ ์ ์๋๋ก ํ๋ ๊ฒ์ด๋ค.
์ฃผ์ ์ ๋ํ ์๋ณ์๋ฅผ ๊ตฌ์ฑํ๋ naiveํ ๋ฐฉ๋ฒ์ ๊ธฐ์กด ๋จ์ด๋ฅผ ์ฌ์ฉํ๋ ๊ฒ์ด๋ค. ์๋ฅผ ๋ค์ด “unique” ๋๋ “special”๊ณผ ๊ฐ์ ๋จ์ด๋ฅผ ์ฌ์ฉํ๋ ๊ฒ์ด๋ค. ํ ๊ฐ์ง ๋ฌธ์ ๋ ๊ธฐ์กด ์์ด ๋จ์ด๊ฐ text-to-image diffusion model์ ํ์ต ๋ฐ์ดํฐ์ ์ ์กด์ฌํ๊ธฐ ๋๋ฌธ์ prior์ ๋ ๊ฐํ ๊ฒฝํฅ์ด ์๋ค๋ ๊ฒ์ด๋ค.
๋ฐ๋ผ์ ์ธ์ด ๋ชจ๋ธ๊ณผ diffusion model ๋ชจ๋์์ weak prior๋ฅผ ๊ฐ๋ ์๋ณ์๊ฐ ํ์ํ๋ค. ์ด๋ฅผ ์ํํ๋ ์ํํ ๋ฐฉ๋ฒ์ ์์ด์์ ์์์ ๋ฌธ์๋ฅผ ์ ํํ๊ณ ์ฐ๊ฒฐํ์ฌ ํฌ๊ทํ ์๋ณ์ (ex. “xxy5syt00”)๋ฅผ ์์ฑํ๋ ๊ฒ์ด๋ค. ์ค์ ๋ก tokenizer๋ ๊ฐ ๋ฌธ์๋ฅผ ๊ฐ๋ณ์ ์ผ๋ก ํ ํฐํํ ์ ์์ผ๋ฉฐ diffusion model์ ์ฌ์ ์ ์ด๋ฌํ ๋ฌธ์์ ๋ํด ๊ฐ๋ ฅํ๋ค.
Class-specific Prior Preservation Loss
๋ชฉํ ๋์์ ๋ฌ์ฌํ๋ ์์ ์ด๋ฏธ์ง ์ธํธ์ ํ ์คํธ ํ๋กฌํํธ “a [identifier] [class noun]”์์ ์ป์ ๋์ผํ ์กฐ๊ฑด ๋ฒกํฐ ๐๐ ๋ฅผ ์ฌ์ฉํ์ฌ ์ค๋ฆฌ์ง๋ diffusion model์ denoising loss๋ก text-to-image model์ finetuningํ๋ค. ์ด๋ฌํ naiveํ finetuning ์ ๋ต์๋ overfitting๊ณผ language drift๋ผ๋ ๋ ๊ฐ์ง ์ฃผ์ ๋ฌธ์ ๊ฐ ๋ฐ์ํ๋ค.
์ ์๋ค์ autogenous class-specific prior-preserving loss๋ฅผ ํตํด overfitting ๋ฌธ์ ์ language drift ๋ฌธ์ ๋ฅผ ๋์์ ํด๊ฒฐํ๊ณ ์ ํ๋ค. ๋ณธ์ง์ ์ผ๋ก ๋ณธ ๋ ผ๋ฌธ์ ๋ฐฉ๋ฒ์ ๋ชจ๋ธ์ ์์ฒด ์์ฑํ ์ํ๋ค๋ก superviseํ๋ฉฐ few-shot finetuning์ด ์์ํ ํ prior๋ฅผ ์ ์งํ๋ค.
Loss๋ ๋ค์๊ณผ ๊ฐ๋ค.
๐๋ prior-preservation ํญ์ ์๋์ ๊ฐ์ค์น๋ฅผ ์กฐ์ ํ๋ ๊ฐ์ด๋ค. ์ ์๋ค์ loss๊ฐ ๋จ์ํจ์๋ ๋ถ๊ตฌํ๊ณ overfitting๊ณผ language-drift ๋ฌธ์ ๋ฅผ ๊ทน๋ณตํ๋ ๋ฐ ํจ๊ณผ์ ์ด๋ผ๋ ๊ฒ์ ๋ฐ๊ฒฌํ๋ค. 200 ์ดํ์ epoch, learning rate 10−5, ๐=1์ผ๋ก ๋๋ ๊ฒ์ด ์ข์ ๊ฒฐ๊ณผ๋ฅผ ๋ฌ์ฑํ๋ ๋ฐ ์ถฉ๋ถํ๋ค๊ณ ํ๋ค. ํ์ต ๊ณผ์ ์์ 200๐๊ฐ ์ดํ์ “a [class noun]” ์ํ๋ค์ด ์์ฑ๋๋ฉฐ, ๐์ ์ฃผ์ ๋ฐ์ดํฐ์ ์ ํฌ๊ธฐ๋ก ์ผ๋ฐ์ ์ผ๋ก 3~5์ด๋ค. ํ์ต ๊ณผ์ ์ 1๊ฐ์ TPUv4์์ 15๋ถ์ด ๊ฑธ๋ฆฐ๋ค.
Experiments
(1) Recontextualization
๋ชจ๋ธ ๐ฅ^๐๊ฐ ์ฃผ์ด์ง๋ฉด unique identifier์ class noun์ ํฌํจํ๋ ๋ฌธ์ฅ์ ํ์ต๋ ๋ชจ๋ธ์ ์ ๋ ฅํ์ฌ ํน์ ์ฃผ์ ์ธ์คํด์ค์ ๋ํ ์๋ก์ด ์ด๋ฏธ์ง๋ฅผ ์์ฑํ ์ ์๋ค. Recontextualization์ ์ํด ์ผ๋ฐ์ ์ผ๋ก “a [V] [class noun] [context description]”์ ํ์์ผ๋ก ๋ฌธ์ฅ์ ๊ตฌ์ฑํ๋ค.
(2) Art Renditions
“a painting of a [V] [class noun] in the style of [famous painter]”๋ “a statue of a [V] [class noun] in the style of [famous sculptor]”์ ๊ฐ์ ํ๋กฌํํธ๋ก ๋์ ์ธ์คํด์ค์ ์์ ์ ์ฐ์ถ์ ์์ฑํ ์ ์๋ค. ํนํ, ์ด task๋ source scene์ semantic์ ์ ์งํ๊ณ ๋ค๋ฅธ ์ด๋ฏธ์ง์ ์คํ์ผ์ source scene์ผ๋ก transferํ๋ style transfer๊ณผ ๋์ผํ์ง ์๋ค. ๋์ ์์ ์ ์คํ์ผ์ ๋ฐ๋ผ ํผ์ฌ์ฒด ์ธ์คํด์ค ๋ํ ์ผ๊ณผ ์ ์ฒด์ฑ ๋ณด์กด์ ํตํด ์ฅ๋ฉด์์ ์๋ฏธ ์๋ ๋ณํ๋ฅผ ์ป์ ์ ์๋ค.
(3) Expression Manipulation
ํ์ ์ ์์ ํ ์๋ก์ด ์ด๋ฏธ์ง ์์ฑ์ ๋ํ ์์์ด๋ค.
Limitations
๋ณธ ๋ ผ๋ฌธ์ ๋ฐฉ๋ฒ์ ๋ช๊ฐ์ง ์ ํ์ ์ด ์กด์ฌํ๋ค. ๋จผ์ , ๋ค์๊ณผ ๊ฐ์ด 3๊ฐ์ง ์ฃผ์ failure mode๊ฐ ์กด์ฌํ๋ค.
- ํ๋กฌํํธ ๋งฅ๋ฝ๊ณผ ๋ค๋ฅธ ์ด๋ฏธ์ง ์์ฑ
- Context-appearance entanglement
- ๋ณด์ฌ์ค ์๋ณธ ๋์๊ณผ ๋น์ทํ ํ๋กฌํํธ์ ๋ํ์ฌ overfitting ๋ฐ์
๋ ๋ค๋ฅธ ์ ํ์ ์ ๋ช๋ช ๋์์ด ๋ค๋ฅธ ๋์์ ๋นํด ํ์ต์ด ๋ ๋น ๋ฅธ ๊ฒ์ด๋ค. ํํ ๋์์ ๋ํด์๋ ๊ฐํ prior๊ฐ ์์ด ํ์ต์ด ๋น ๋ฅด๊ณ ํฌ๊ทํ๊ฑฐ๋ ๋ณต์กํ ๋์์ ๋ํด์๋ ํ์ต์ด ์ค๋ ๊ฑธ๋ฆฐ๋ค. ์ฃผ์ ์ fidelity์๋ ๊ฐ๋ณ์ฑ์ด ์์ผ๋ฉฐ ์ผ๋ถ ์์ฑ๋ ์ด๋ฏธ์ง์๋ ๋ชจ๋ธ prior์ ๊ฐ๋์ ์๋ฏธ๋ก ์ ์์ ์ ๋ณต์ก์ฑ์ ๋ฐ๋ผ ์ฃผ์ ์ ๋ํ ํ๊ฐ์ ์ธ feature๊ฐ ํฌํจ๋ ์ ์๋ค.
Conclusions
๋๋ฆผ๋ถ์ค๋ ์ด๋ฐ ๋ฐฉ์์ผ๋ก ์ ์ ์ด๋ฏธ์ง ์๋ก ํ์ตํ๋ฉด์๋ Fidelity๋ฅผ ์ ์งํ๊ณ , ๊ธฐ์กด ๋ชจ๋ธ์ ์ ๋ณด๋ฅผ ์์ง ์๊ฒ ํ๋ ๊ฒ์ ์ฑ๊ณตํ๋ค.
์ด๋ฌํ ๋ฐฉ๋ฒ์ ์์ฉํ์ฌ ํ์ฌ๋ Imagen ๋ง๊ณ ๋ ์ต์ diffusion ๋ชจ๋ธ์ธ Stable diffusion์ ์ ์ฉํ ์ ์๋๋ก ๋ง๋ ์ฝ๋๊ฐ ์คํ์์ค๋ก github์ ๊ณต๊ฐ๋์ด์๊ณ , ์ด๋ฅผ ํตํด Stable Diffusion์ Dreambooth๋ก Fine-tuning ํ ์ ์๊ฒ ๋์๋ค.
'AI > ๋ ผ๋ฌธ ๋ฆฌ๋ทฐ Paper Review' ์นดํ ๊ณ ๋ฆฌ์ ๋ค๋ฅธ ๊ธ
Wasserstein GAN : arXiv 2017 | ๋ ผ๋ฌธ ๋ฆฌ๋ทฐ (0) | 2024.03.03 |
---|---|
Pix2Pix : CVPR 2017 (0) | 2024.02.07 |
DCGAN : ICLR 2016 (0) | 2024.01.28 |
Generative Adversarial Nets : arXive 2014 (0) | 2024.01.15 |
- Total
- Today
- Yesterday
- AIRUSH
- WGAN
- ํ ํฌ์๋ฐ
- SQL
- CLOVAX
- AIRUSH2023
- Aimers
- ์คํ ์ด๋ธ๋ํจ์
- ๋ ผ๋ฌธ์ฝ๊ธฐ
- dreambooth
- gan
- ๋๋ฆผ๋ถ์ค
- ํ๋ก๊ทธ๋๋จธ์ค
- SKTECHSUMMIT
- ๋ ผ๋ฌธ๋ฆฌ๋ทฐ
- ๊ตฌ๊ธ์ฝ๋ฉ
- HyperCLOVA
- ํ์ด์ฌ
- AI์ปจํผ๋ฐ์ค
- MYSQL
- DALLE
- ์ฝ๋ฉ์๋ฌ
- ์ฝํ
- ์ฝ๋ฉ๊ณต๋ถ
- StableDiffusion
- ํ์ด์ฌ์ฝํ
- lgaimers
- ์ฝํ ์ค๋น
- C์ธ์ด
- ๊ธฐ์ ์ปจํผ๋ฐ์ค
์ผ | ์ | ํ | ์ | ๋ชฉ | ๊ธ | ํ |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | 6 | |
7 | 8 | 9 | 10 | 11 | 12 | 13 |
14 | 15 | 16 | 17 | 18 | 19 | 20 |
21 | 22 | 23 | 24 | 25 | 26 | 27 |
28 | 29 | 30 | 31 |