最近一年來，以 Stable Diffusion 為代表的一系列文生圖擴散模型徹底改變了視覺創作領域。數不清的使用者透過擴散模型產生的圖片提升生產力。但是，擴散模型的生成速度是一個老生常談的問題。因為降噪模型依賴多步驟降噪來逐漸將初始的高斯雜訊變為圖片，因此需要對網路進行多次計算，導致生成速度很慢。 這導致大規模的文生圖擴散模型對一些注重即時性，互動性的應用非常不友善。 隨著一系列技術的提出，從擴散模型中採樣所需的步數已經從最初的幾百步，到幾十步，甚至只需要 4-8 步。
最近，來自Google的研究團隊提出了 UFOGen 模型，一個能極速取樣的擴散模型變體。 透過論文提出的方法對 Stable Diffusion 進行微調，UFOGen 只需要一步就能產生高品質的圖片。同時，Stable Diffusion 的下游應用，比如圖生圖，ControlNet 等能力也能保留。
請點擊以下連結查看論文：https://arxiv.org/abs/2311.09257
從下圖可以看到，UFOGen 只需一步即可產生高質量，多樣的圖片。
#提升擴散模型的生成速度並不是新的研究方向。先前關於這方面的研究主要集中在兩個方向。 一個方向是設計更有效率的數值計算方法，以求能達到利用較少的離散步數求解擴散模型的取樣 ODE 的目的。例如清華的朱軍團隊提出的 DPM 系列數值求解器，被驗證在 Stable Diffusion 上非常有效，能顯著地把求解步數從 DDIM 預設的 50 步降到 20 步以內。 另一個方向是利用知識蒸餾的方法，將模型的基於 ODE 的取樣路徑壓縮到更小的步數。 這個方向的例子是 CVPR2023 最佳論文候選之一的 Guided distillation，以及最近大火的 Latent Consistency Model （LCM）。尤其是 LCM，透過對一致性目標進行蒸餾，能夠將採樣步數降到只需 4 步，由此催生了不少即時生成的應用。
然而，Google的研究團隊在UFOGen 模型中並沒有跟隨以上大方向，而是另闢蹊徑，利用了一年多前提出的擴散模型和GAN 的混合模型思路。 他們認為前面提到的基於 ODE 的採樣和蒸餾有其根本的局限性，很難將採樣步數壓縮到極限。因此想實現一步生成的目標，需要打開新的思路。
混合模型是指結合了擴散模型和生成對抗網路（GAN）的方法。這個方法最早由英偉達的研究團隊在ICLR 2022上提出，被稱為DDGAN（《用去噪擴散GAN解決生成學習三難題》）。 DDGAN的靈感來自於普通擴散模型對降噪分佈進行高斯假設的缺陷。簡單來說，擴散模型假設降噪分佈（給定一個雜訊的樣本，產生一個雜訊較少的樣本的條件分佈）是一個簡單的高斯分佈。然而，隨機微分方程理論證明，這樣的假設只在降噪步長趨近於0時才成立。因此，擴散模型需要大量重複的降噪步驟來確保較小的降噪步長，導致生成速度較慢
DDGAN 提出拋棄降噪分佈的高斯假設，而是用一個有條件的GAN 來模擬這個降噪分佈。因為 GAN 具有極強的表示能力，能模擬複雜的分佈，所以可以取較大的降噪步長來達到減少步數的目的。然而，DDGAN 將擴散模型穩定的重建訓練目標變成了 GAN 的訓練目標，很容易造成訓練不穩定，從而難以延伸到更複雜的任務。在NeurIPS 2023 上，和創造UGOGen 的同樣的谷歌研究團隊提出了SIDDM（論文標題Semi-Implicit Denoising Diffusion Models），將重構目標函數重新引入了DDGAN 的訓練目標，使訓練的穩定性和生成品質都相比於DDGAN 大幅提升。
#SIDDM 身為 UFOGen 的前身，只需要 4 步驟就能在 CIFAR-10, ImageNet 等研究資料集上產生高品質的圖片。但是 SIDDM 有兩個問題需要解決：首先，它無法做到理想狀況的一步產生；其次，將其擴展到更受關注的文生圖領域並不簡單。 為此，Google的研究團隊提出了 UFOGen，解決這兩個問題。
具體來說，對於問題一，透過簡單的數學分析，團隊發現透過改變生成器的參數化方式，以及改變重構損失函數計算的計算方式，理論上模型可以實現一步生成。對於問題二，團隊提出利用現有的 Stable Diffusion 模型進行初始化來讓 UFOGen 模型更快、更好的擴展到文生圖任務。值得注意的是，SIDDM 就已經提出讓生成器和判別器都採用 UNet 架構，因此基於該設計，UFOGen 的生成器和判別器都是由 Stable Diffusion 模型初始化的。這樣做可以最大限度地利用 Stable Diffusion 的內部信息，尤其是關於圖片和文字的關係的信息。這樣的資訊很難透過對抗學習來獲得。訓練演算法和圖示見下。
值得注意的是，在這之前也有一些利用GAN 做文生圖的工作，例如英偉達的StyleGAN-T，Adobe 的GigaGAN，都是將StyleGAN 的基本架構擴展到更大的規模，因此也能一步文生圖。 UFOGen 的作者指出，比起先前基於GAN 的工作，除了生成品質外，UFOGen 還有幾點優勢：
重寫後的內容：1. 在文生圖任務中，純粹的生成對抗網路（GAN）訓練非常不穩定。判別器不僅需要判斷影像的紋理，還需要理解影像和文字之間的匹配程度，這是一項非常困難的任務，尤其是在訓練的早期階段。因此，先前的GAN模型，如GigaGAN，引入了大量的輔助損失來幫助訓練，這使得訓練和調參變得異常困難。然而，UFOGen透過引入重構損失，使GAN在這方面發揮了輔助作用，從而實現了非常穩定的訓練
2. 直接從頭開始訓練GAN 除了不穩定還異常昂貴，尤其是在文生圖這樣需要大量資料和訓練步數的任務下。因為需要同時更新兩組參數，GAN 的訓練比擴散模型來說消耗的時間和記憶體都更大。 UFOGen 的創新設計能從 Stable Diffusion 初始化參數，大大節省了訓練時間。通常收斂只需要幾萬步訓練。
3. 文生圖擴散模型的一大魅力在於能適用於其他任務，包括不需要微調的應用比如圖生圖，已經需要微調的應用例如可控生成。之前的 GAN 模型很難擴展到這些下游任務，因為微調 GAN 一直是個難題。相反，UFOGen 擁有擴散模型的框架，因此能更簡單地應用在這些任務上。下圖展示了 UFOGen 的圖生圖以及可控生成的例子，注意這些生成也只需要一步採樣。
經過實驗表明，UFOGen 只需要一步取樣就能產生高品質、符合文字描述的圖片。與近期提出的針對擴散模型的高速取樣方法（如Instaflow和LCM）相比，UFOGen展現了強烈的競爭力。即使與需要50步驟採樣的Stable Diffusion相比，UFOGen產生的樣本在觀感上也不遜色。以下是一些比較結果：
#Google團隊提出了一個名為UFOGen的強大模型，透過提升現有的擴散模型和GAN的混合模型來實現。這個模型是由Stable Diffusion微調而來的，在確保一步文產生圖的能力的同時，也適用於不同的下游應用。作為早期實現超快速文本到圖像合成的工作之一，UFOGen為高效率生成模型領域開闢了一條新的道路
以上是實現高品質影像產生的新一步：GoogleUFOGen極速取樣方法的詳細內容。更多資訊請關注PHP中文網其他相關文章！
