Stable Diffusion 3技術(shù)報(bào)告出爐：揭露Sora同款架構(gòu)細(xì)節(jié)

豐色 2024-03-06 12:44:52 來(lái)源：量子位

豐色 發(fā)自 凹非寺
量子位 | 公眾號(hào) QbitAI

很快啊，“文生圖新王”Stable Diffusion 3的技術(shù)報(bào)告，這就來(lái)了。

全文一共28頁(yè)，誠(chéng)意滿滿。

“老規(guī)矩”，宣傳海報(bào)（??）直接用模型生成，再秀一把文字渲染能力：

所以，SD3這比DALL·E 3和Midjourney v6都要強(qiáng)的文字以及指令跟隨技能，究竟怎么點(diǎn)亮的？

技術(shù)報(bào)告揭露：

全靠多模態(tài)擴(kuò)散Transformer架構(gòu)MMDiT。

成功關(guān)鍵是對(duì)圖像和文本表示使用單獨(dú)兩組權(quán)重的方式，由此實(shí)現(xiàn)了比SD3之前的版本都要強(qiáng)的性能飛升。

具體幾何，我們翻開報(bào)告來(lái)看。

微調(diào)DiT，提升文本渲染能力

在發(fā)布SD3之初，官方就已經(jīng)透露它的架構(gòu)和Sora同源，屬于擴(kuò)散型Transformer——DiT。

現(xiàn)在答案揭曉：

由于文生圖模型需要考慮文本和圖像兩種模式，Stability AI比DiT更近一步，提出了新架構(gòu)MMDiT。

這里的“MM”就是指“multimodal”。

和Stable Diffusion此前的版本一樣，官方用兩個(gè)預(yù)訓(xùn)練模型來(lái)獲得合適和文本和圖像表示。

其中文本表示的編碼用三種不同的文本嵌入器（embedders）來(lái)搞定，包括兩個(gè)CLIP模型和一個(gè)T5模型。

圖像token的編碼則用一個(gè)改進(jìn)的自動(dòng)編碼器模型來(lái)完成。

由于文本和圖像的embedding在概念上完全不是一個(gè)東西，因此，SD3對(duì)這兩種模式使用了兩組獨(dú)立的權(quán)重。

如上圖所示，這相當(dāng)于每種模態(tài)都有兩個(gè)獨(dú)立的transformer，但是會(huì)將它們的序列連接起來(lái)進(jìn)行注意力操作。

這樣，兩種表示都可以在自己的空間中工作，同時(shí)還能考慮到另一種。

最終，通過(guò)這種方法，信息就可以在圖像和文本token之間“流動(dòng)”，在輸出時(shí)提高模型的整體理解能力和文字渲染能力。

并且正如之前的效果展示，這種架構(gòu)還可以輕松擴(kuò)展到視頻等多種模式。

具體測(cè)試則顯示，MMDiT出于DiT卻勝于DiT：

它在訓(xùn)練過(guò)程中的視覺保真度和文本對(duì)齊度都優(yōu)于現(xiàn)有的文本到圖像backbone，比如UViT、DiT。

重新加權(quán)流技術(shù)，不斷提升性能

在發(fā)布之初，除了擴(kuò)散型Transformer架構(gòu)，官方還透露SD3結(jié)合了flow matching。

什么“流”？

如今天發(fā)布的論文標(biāo)題所揭露，SD3采用的正是“Rectified Flow”（RF）。

這是一個(gè)“極度簡(jiǎn)化、一步生成”的擴(kuò)散模型生成新方法，入選了ICLR2023。

它可以使模型的數(shù)據(jù)和噪聲在訓(xùn)練期間以線性軌跡進(jìn)行連接，產(chǎn)生更“直”的推理路徑，從而可以使用更少的步驟進(jìn)行采樣。

基于RF，SD3在訓(xùn)練過(guò)程中引入了一張全新的軌跡采樣。

它主打給軌跡的中間部分更多權(quán)重，因?yàn)樽髡呒僭O(shè)這些部分會(huì)完成更具挑戰(zhàn)性的預(yù)測(cè)任務(wù)。

通過(guò)多個(gè)數(shù)據(jù)集、指標(biāo)和采樣器配置，與其他60個(gè)擴(kuò)散軌跡方法（比如LDM、EDM和ADM）測(cè)試這一生成方法發(fā)現(xiàn)：

雖然以前的RF方法在少步采樣方案中表現(xiàn)出不錯(cuò)的性能，但它們的相對(duì)性能隨著步數(shù)的增加而下降。

相比之下，SD3重新加權(quán)的RF變體可以不斷提高性能。

模型能力還可進(jìn)一步提高

官方使用重新加權(quán)的RF方法和MMDiT架構(gòu)對(duì)文本到圖像的生成進(jìn)行了規(guī)模化研究（scaling study）。

訓(xùn)練的模型范圍從15個(gè)具有4.5億參數(shù)的模塊到38個(gè)具有80億參數(shù)的模塊。

從中他們觀察到：隨著模型大小和訓(xùn)練步驟的增加，驗(yàn)證損失呈現(xiàn)出平滑的下降趨勢(shì)，即模型通過(guò)不斷學(xué)習(xí)適應(yīng)了更為復(fù)雜的數(shù)據(jù)。

為了測(cè)試這是否在模型輸出上轉(zhuǎn)化為更有意義的改進(jìn)，官方還評(píng)估了自動(dòng)圖像對(duì)齊指標(biāo)（GenEval）以及人類偏好評(píng)分（ELO）。

結(jié)果是：

兩者有很強(qiáng)的相關(guān)性。即驗(yàn)證損失可以作為一個(gè)很有力的指標(biāo)，預(yù)測(cè)整體模型表現(xiàn)。

此外，由于這里的擴(kuò)展趨勢(shì)沒有出現(xiàn)飽和跡象（即即隨著模型規(guī)模的增加，性能仍在提升，沒有達(dá)到極限），官方很樂觀地表示：

未來(lái)的SD3性能還能繼續(xù)提高。

最后，技術(shù)報(bào)告還提到了文本編碼器的問題：

通過(guò)移除用于推理的47億參數(shù)、內(nèi)存密集型T5文本編碼器，SD3的內(nèi)存需求可以顯著降低，但同時(shí)，性能損失很小（win rate從50%降到46%）。

不過(guò)，為了文字渲染能力，官方還是建議不要去掉T5，因?yàn)闆]有它，文本表示的win rate將跌至38%。

那么總結(jié)一下就是說(shuō)：SD3的3個(gè)文本編碼器中，T5在生成帶文本圖像（以及高度詳細(xì)的場(chǎng)景描述圖）時(shí)貢獻(xiàn)是最大的。

網(wǎng)友：開源承諾如期兌現(xiàn)，感恩

SD3報(bào)告一出，不少網(wǎng)友就表示：

Stability AI對(duì)開源的承諾如期而至很是欣慰，希望他們能夠繼續(xù)保持并長(zhǎng)久運(yùn)營(yíng)下去。

還有人就差報(bào)OpenAI大名了：

更加值得欣慰的是，有人在評(píng)論區(qū)提到：

SD3模型的權(quán)重全部都可以下載，目前規(guī)劃的是8億參數(shù)、20億參數(shù)和80億參數(shù)。

速度怎么樣？

咳咳，技術(shù)報(bào)告有提：

80億的SD3在24GB的RTX 4090上需要34s才能生成1024*1024的圖像（采樣步驟50個(gè)）——不過(guò)這只是早期未經(jīng)優(yōu)化的初步推理測(cè)試結(jié)果。

報(bào)告全文：
https://stabilityai-public-packages.s3.us-west-2.amazonaws.com/Stable+Diffusion+3+Paper.pdf
參考鏈接：
[1]https://stability.ai/news/stable-diffusion-3-research-paper
[2]https://news.ycombinator.com/it