機器之心編輯部
訓(xùn)練一個媲美 MJ 的文生圖模型，26K 美元就能實現(xiàn)了。
當(dāng)前，最先進(jìn)的文本到圖像（T2I）模型需要大量的訓(xùn)練成本（例如，數(shù)百萬個 GPU 小時），這嚴(yán)重阻礙了 AIGC 社區(qū)的基礎(chǔ)創(chuàng)新，同時增加了二氧化碳排放。
現(xiàn)在，來自華為諾亞方舟實驗室等研究機構(gòu)的研究者聯(lián)合提出了開創(chuàng)性的文本到圖像（T2I）模型 PixArt-α, 只需要 Stable Diffusion v1.5 訓(xùn)練時間的 10.8%（約 675 vs 約 6250 A100 GPU 天），省下近 30 萬美元（26000 美元 vs 320000 美元）。與更大的 SOTA 模型 RAPHAEL 相比，PixArt-α 的訓(xùn)練成本僅為 1%，且支持直接生成高達(dá) 1024×1024 分辨率的高分辨率圖像。
PixArt-α 模型不僅大幅降低了訓(xùn)練成本，還顯著減少了二氧化碳排放，同時提供了接近商業(yè)應(yīng)用標(biāo)準(zhǔn)的高質(zhì)量圖像生成。PixArt-α 的出現(xiàn)，為 AIGC 社區(qū)和初創(chuàng)公司提供了新的視角，以加速他們構(gòu)建自己的高質(zhì)量且低成本的生成模型。
論文地址：
https://arxiv.org/abs/2310.00426
主頁：
https://pixart-alpha.Github.io/
項目地址:
https://github.com/PixArt-alpha/PixArt-alpha
總的來說，PixArt-α 是一種基于 Transformer 的 T2I 擴散模型，其圖像生成質(zhì)量可以與最先進(jìn)的圖像生成器（例如，Imagen [1]，SDXL [2]，甚至 Midjourney [3]）相媲美，達(dá)到接近商業(yè)應(yīng)用的標(biāo)準(zhǔn)。此外，它支持高達(dá) 1024×1024 分辨率的高分辨率圖像的直接生成，訓(xùn)練成本低，如下圖 1 所示。
圖表 1.PixArt-α 產(chǎn)生的樣本展示出了其卓越的質(zhì)量，其特點是高精確度和準(zhǔn)確性的圖像生成。
為了實現(xiàn)這個目標(biāo)，該研究提出了三個核心設(shè)計：
訓(xùn)練策略分解：該研究設(shè)計了三個獨特的訓(xùn)練步驟，分別優(yōu)化像素間依賴關(guān)系，文本圖像對齊和圖像美學(xué)質(zhì)量；
高效的 T2I Transformer 結(jié)構(gòu)：該研究將跨注意力模塊整合到 Diffusion Transformer（DiT）[6] 中，以注入文本信息并簡化計算復(fù)雜的類條件分支；
高信息密度數(shù)據(jù)：該研究強調(diào)文本圖像對中概念密度的重要性，并利用大視覺語言模型自動標(biāo)記密集的偽文本標(biāo)簽以協(xié)助文本圖像對齊學(xué)習(xí)。
大量的實驗表明，PixArt-α 在圖像質(zhì)量、藝術(shù)性和語義控制方面表現(xiàn)出色。研究團(tuán)隊希望 PixArt-α 能為 AIGC 社區(qū)和初創(chuàng)公司提供新的思路，以加速他們從頭開始構(gòu)建自己的高質(zhì)量且低成本的生成模型。
圖表 2.T2I 方法之間的二氧化碳排放和訓(xùn)練成本比較。PixArt-α 實現(xiàn)了極低的訓(xùn)練成本，僅為 26,000 美元。相比于 RAPHAEL，PixArt-α 的二氧化碳排放和訓(xùn)練成本分別僅為 1.1% 和 0.85%。
從現(xiàn)象看本質(zhì)：從訓(xùn)練流程和數(shù)據(jù)的角度重新審視文生圖任務(wù)
從現(xiàn)有訓(xùn)練流程出發(fā)：文本到圖像（T2I）生成任務(wù)可以分解為三個方面：建模像素間關(guān)系、文本與圖像的精確對齊以及高審美質(zhì)量生成。然而，現(xiàn)有方法將這三個問題混合在一起，并直接使用大量數(shù)據(jù)從零開始訓(xùn)練，導(dǎo)致訓(xùn)練效率低下。
從訓(xùn)練數(shù)據(jù)出發(fā)：如圖 3 所示，現(xiàn)有的文本 - 圖像對常常存在文本 - 圖像不對齊、描述不足、包含大量不常見詞匯以及包含低質(zhì)量數(shù)據(jù)等問題。這些問題給訓(xùn)練帶來了困難，導(dǎo)致需要進(jìn)行數(shù)百萬次迭代才能實現(xiàn)文本和圖像之間的穩(wěn)定對齊。為了解決這個挑戰(zhàn)，該研究引入了一個創(chuàng)新的自動標(biāo)注流程來生成精確的圖像標(biāo)題。
圖表 3.LAION [6] 原生標(biāo)題 v.s. LLaVA 精細(xì)標(biāo)題的對比。LLaVA 提供了信息密度更高的文本，幫助模型在每次迭代中掌握更多概念，提高了文本 - 圖像對齊的效率。
解耦訓(xùn)練策略：不同數(shù)據(jù)獲取、強化不同能力
1. 像素間依賴學(xué)習(xí)
當(dāng)前 class-condition 的方法 [7] 在生成語義連貫且像素邏輯合理的圖像上展現(xiàn)出了卓越的性能。訓(xùn)練一個符合自然圖像分布的 class-condition 圖像生成模型，不僅訓(xùn)練相對簡單，成本也較低。該研究還發(fā)現(xiàn)，適當(dāng)?shù)某跏蓟梢詷O大地提升圖像生成模型的訓(xùn)練效率。因此，PixArt 模型采用了一個 Imag.NET 預(yù)訓(xùn)練模型作為基礎(chǔ)，來增強模型的性能。此外，該研究也提出了重參數(shù)化來兼容預(yù)訓(xùn)練權(quán)重，以確保最佳的算法效果。
2. 文本圖像對齊
從預(yù)訓(xùn)練的 class-condition 圖像生成模型過渡到基于文本的圖像生成模型的主要挑戰(zhàn)在于如何實現(xiàn)文本概念與圖像之間的精確對齊。這個對齊過程既耗時，也具有挑戰(zhàn)性。為了有效地促進(jìn)這個過程，該研究構(gòu)建了一個高概念密度的由精確的文本 - 圖像對組成的數(shù)據(jù)集。通過使用精確且信息豐富的數(shù)據(jù)，幫助模型在單次訓(xùn)練迭代中有效學(xué)習(xí)更多的概念，同時相較于之前的數(shù)據(jù)集，遇到的模糊性大大減少。這種策略性的方法賦予了 PixArt-α 高效地將文本描述與圖像對齊的能力。
3. 圖像美學(xué)質(zhì)量
在第三階段，該研究對模型進(jìn)行了微調(diào)，利用了高質(zhì)量的美學(xué)數(shù)據(jù)并提高了模型的分辨率，使得模型具有生成高質(zhì)量圖像的能力。值得注意的是，研究團(tuán)隊觀察到模型在該階段的收斂速度顯著加快，這主要歸功于前兩階段學(xué)習(xí)到的的強大的先驗知識。
刪繁就簡：高效 T2I Transformer 架構(gòu)
PixArt-α 采用了 Diffusion Transformer (DiT) 作為基礎(chǔ)架構(gòu)，如圖 4 所示，并創(chuàng)新地提出了以下幾個專門的設(shè)計方案來處理 T2I 任務(wù)：
圖表 4.PixArt-α 模型架構(gòu)。
Cross-Attention layer 該研究在 DiT 模塊中加入了一個多頭交叉注意力層。它位于自注意力層和前饋層之間，使得模型能夠靈活地與從語言模型中提取的文本特征進(jìn)行交互。為了利用預(yù)訓(xùn)練權(quán)重，該研究將交叉注意力層的輸出投影層權(quán)重初始化為零，有效地作為恒等映射來保留輸入供后續(xù)層使用。
AdaLN-single 該研究發(fā)現(xiàn)在 DiT 的自適應(yīng)標(biāo)準(zhǔn)化層（adaLN）中，線性投影（MLP）占據(jù)了大量（27%）的參數(shù)。研究團(tuán)隊提出了 adaLN-single 模塊來降低模型的參數(shù)量，它只在噪聲進(jìn)入模型第一層之前，僅使用時間特征嵌入作為輸入進(jìn)行獨立控制（如圖 4 右側(cè)所示）, 并在所有層中共享。研究團(tuán)隊為每一層設(shè)置了層特定的可學(xué)習(xí)特征嵌入，它可適應(yīng)性地調(diào)整不同層中的尺度和位移參數(shù)。
重參數(shù)化 該研究提出了重參數(shù)化技巧來保持與預(yù)訓(xùn)練權(quán)重的兼容性。
實驗表明，通過整合全局 MLP 和層次嵌入來處理時間步信息，以及采用跨注意力層處理文本信息，可以在有效減小模型大小的同時，保持模型的生成能力。
數(shù)據(jù)構(gòu)建：全新自動化圖文對標(biāo)注工具
該研究發(fā)現(xiàn) LAION 數(shù)據(jù)集中存在大量簡單的商品樣圖，并選擇使用專為多樣性目標(biāo)分割設(shè)計的 SAM 數(shù)據(jù)集 [8]，其圖像中包含了豐富多樣的對象，即較高的信息 / 概念密度，更加貼合前文高信息密度數(shù)據(jù)可以幫助圖文對齊的論述。標(biāo)注流程如圖 5 所示。
圖表 5.為 LAION（左圖）和 SAM（右圖）進(jìn)行自定義提示的自動標(biāo)注功能。圖中綠色高亮的詞匯代表 LAION 中的原始標(biāo)題，而紅色標(biāo)注的則是 LLaVA 標(biāo)注的詳細(xì)信息。
研究團(tuán)隊對 LAION 和 SAM 兩個數(shù)據(jù)集進(jìn)行了名詞統(tǒng)計，如圖 6 所示。LAION 的名詞統(tǒng)計顯示，雖然其總的名詞種類多達(dá) 2451K 種，但有效名詞的比例僅為 8%，這意味著其中 91% 以上的名詞是不常見的，這可能會導(dǎo)致模型訓(xùn)練的不穩(wěn)定。相比之下，LAION-LLaVA 的統(tǒng)計結(jié)果顯示，有效名詞的比例有所提升，總名詞數(shù)量和每張圖像的平均名詞數(shù)量顯著增加。這表明，LLaVA 生成的標(biāo)簽?zāi)軌虮M量涵蓋每張圖片中更多的物體和概念。同樣的，在實際使用的 SAM 數(shù)據(jù)以及內(nèi)部數(shù)據(jù)中，各項指標(biāo)都有較 LAION-LLaVA 有更大的提升，這體現(xiàn)了更高的概念密度數(shù)據(jù)在訓(xùn)練中的重要性。
圖表 6.不同數(shù)據(jù)集的名詞概念統(tǒng)計。VN：有效的不同名詞種類（出現(xiàn)次數(shù)超過10次）；DN：總的不同名詞種類；Average：每張圖片的平均名詞數(shù)量。
量化指標(biāo)驗證：指標(biāo)下的能力
該研究最終在 User study、T2ICompBench [9] 以及 MSCOCO Zero-shot FID 三項指標(biāo)上驗證了 PixArt-α 的能力。更多評價結(jié)果與討論請參考原論文。
圖表 7.根據(jù)對 Ernie-vilg 2.0 [10] 的 300 個固定提示的用戶體驗研究，比例值表示了偏好對應(yīng)模型的用戶百分比。PixArt-α 在質(zhì)量和對齊度方面都表現(xiàn)出超越其他模型的優(yōu)秀性能。
如下圖表 8 所示，在 T2I-CompBench 上進(jìn)行的對齊評估中，PixArt-α 在屬性綁定、對象關(guān)系和復(fù)雜組合方面展示出卓越的性能，這表明 PixArt-α 具有優(yōu)越的組合生成能力。其中，用藍(lán)色高亮表示最好的值，用綠色表示次優(yōu)的值。基線數(shù)據(jù)來源于 T2ICompBench。
圖表 8
該研究全面比較了 PixArt-α 和最近的 T2I 模型，考慮了幾個關(guān)鍵因素：模型大小、訓(xùn)練圖像總量、COCO FID-30K 分?jǐn)?shù)（Zero-shot）以及計算成本（GPU 天數(shù)），結(jié)果如下圖表 9 所示。該研究提出的高效方法 PixArt-α 顯著減少了資源消耗，包括訓(xùn)練數(shù)據(jù)使用和訓(xùn)練時間。基線數(shù)據(jù)來源于 GigaGAN [11]。
圖表 9
可視化驗證：No cheery-pick battle
用于可視化的圖像文本均取自其他方法中，本文中的圖片全部隨機生成，無需 cheery-pick。
1. 與 Midjourney 對比
圖表 10 與 Midjourney 的比較：此次比較使用的提示是從網(wǎng)上隨機抽樣的。為了確保公平的比較，研究團(tuán)隊選擇了兩種模型生成的第一個結(jié)果進(jìn)行對比。
圖表 10
2. 與更多文生圖方法的對比
圖表 11 PixArt-α 與近期代表性的方法對比，如 Stable Diffusion XL [2]、DeepFloyd [12]、DALL-E 2 [13]、ERNIE-ViLG 2.0 [10] 以及 RAPHAEL [5]。所有方法都使用了與 RAPHAEL 中相同的提示詞，其中人類藝術(shù)家希望在生成圖像中保留的詞語被用紅色高亮。各行的具體提示在圖示下方提供。
圖表 11
3. 文本直接控制風(fēng)格
圖表 12 提示詞混合：PixArt-α 能夠直接通過文本提示操控圖像風(fēng)格。利用風(fēng)格控制物體，PixArt-α 生成了五個輸出樣本。例如，位于圖示左角的第一個例子的第二個圖片，使用的提示是 “Pixel Art of the black hole in the space”。
圖表 12
方法可拓展性：ControlNet & Dreambooth
如下圖表 13 所示，PixArt-α 能夠與 Dreambooth [14] 結(jié)合使用。只需給定幾張圖片和文本提示，PixArt-α 就能生成高保真度的圖像，這些圖像能展示與環(huán)境的自然互動（a）和精確的物體顏色修改（b）。這證明了 PixArt-α 能生成具有卓越質(zhì)量的圖像，并且在定制擴展方面具有強大的能力。
圖表 13
圖表 14：PixArt-α+ControlNet [15] 定制樣本。該研究使用輸入圖片生成相應(yīng)的 HED 邊緣圖像，并將它們作為 PixArt-α ControlNet 的控制信號。
圖表 14
總結(jié)
總的來說，該研究提出了 PixArt-α，這是一種基于 Transformer 的文本到圖像（T2I）擴散模型，它在顯著降低訓(xùn)練成本和二氧化碳排放的同時，實現(xiàn)了超強的圖像生成質(zhì)量。PixArt-α 的三大核心設(shè)計，包括訓(xùn)練策略的分解、高效的 T2I Transformer 架構(gòu)和高信息量的數(shù)據(jù)，都為 PixArt-α 的成功做出了貢獻(xiàn)。通過大量的實驗，該研究證明了 PixArt-α 在圖像生成質(zhì)量上達(dá)到了接近商業(yè)應(yīng)用的標(biāo)準(zhǔn)。有了以上的設(shè)計，PixArt-α 為 AIGC 社區(qū)和初創(chuàng)公司提供了新的視角，使他們能夠構(gòu)建自己的高質(zhì)量且低成本的 T2I 模型。研究團(tuán)隊希望這項工作能激發(fā)這個領(lǐng)域的進(jìn)一步創(chuàng)新和進(jìn)步。
[1] Chitwan Saharia, William Chan, Saurabh Saxena, Lala Li, Jay Whang, Emily L Denton, Kamyar Ghasemipour, Raphael Gontijo Lopes, Burcu Karagol Ayan, Tim Salimans, et al. Photorealistic text-to-image diffusion models with deep language understanding. In NeurIPS, 2022.
[2] Dustin Podell, Zion English, Kyle Lacey, Andreas Blattmann, Tim Dockhorn, Jonas Muller, Joe ¨ Penna, and Robin Rombach. Sdxl: Improving latent diffusion models for high-resolution image synthesis. In arXiv, 2023.
[3] Midjourney. Midjourney, 2023. URL https://www.midjourney.com.
[4] Robin Rombach, Andreas Blattmann, Dominik Lorenz, Patrick Esser, and Bjorn Ommer. High-resolution image synthesis with latent diffusion models. In CVPR, 2022.
[5] Zeyue Xue, Guanglu Song, Qiushan Guo, Boxiao Liu, Zhuofan Zong, Yu Liu, and Ping Luo. Raphael: Text-to-image generation via large mixture of diffusion paths. In arXiv, 2023b.
[6] Christoph Schuhmann, Richard Vencu, Romain Beaumont, Robert Kaczmarczyk, Clayton Mullis, Aarush Katta, Theo Coombes, Jenia Jitsev, and Aran Komatsuzaki. Laion-400m: Open dataset of clip-filtered 400 million image-text pairs. In arXiv, 2021.
[7] William Peebles and Saining Xie. Scalable diffusion models with transformers. In ICCV, 2023.
[8] Alexander Kirillov, Eric Mintun, Nikhila Ravi, Hanzi Mao, Chloe Rolland, Laura Gustafson, Tete Xiao, Spencer Whitehead, Alexander C Berg, Wan-Yen Lo, et al. Segment anything. In ICCV, 2023.
[9] Kaiyi Huang, Kaiyue Sun, Enze Xie, Zhenguo Li, and Xihui Liu. T2i-compbench: A comprehensive benchmark for open-world compositional text-to-image generation. In ICCV, 2023.
[10] Zhida Feng, Zhenyu Zhang, Xintong Yu, Yewei Fang, Lanxin Li, Xuyi Chen, Yuxiang Lu, Jiaxiang Liu, Weichong Yin, Shikun Feng, et al. Ernie-vilg 2.0: Improving text-to-image diffusion model with knowledge-enhanced mixture-of-denoising-experts. In CVPR, 2023.
[11] Minguk Kang, Jun-Yan Zhu, Richard Zhang, Jaesik Park, Eli Shechtman, Sylvain Paris, and Taesung Park. Scaling up gans for text-to-image synthesis. In CVPR, 2023.
[12] DeepFloyd. Deepfloyd, 2023. URL https://www.deepfloyd.ai/
[13] OpenAI. Dalle-2, 2023. URLhttps://openai.com/dall-e-2.
[14] Nataniel Ruiz, Yuanzhen Li, Varun Jampani, Yael Pritch, Michael Rubinstein, and Kfir Aberman. Dreambooth: Fine tuning text-to-image diffusion models for subject-driven generation. In arXiv, 2022.
[15] Lvmin Zhang, Anyi Rao, and Maneesh Agrawala. Adding conditional control to text-to-image diffusion models. In ICCV, 2023.
