性能接近SOTA

克雷西 发自 凹非寺

量子位 | 公众号 QbitAI

苹果的一项最新研究，大幅提高了扩散模型在高分辨率图像上性能。

利用这种方法，同样分辨率的图像，训练步数减少了超过七成。

在1024×1024的分辨率下，图片画质直接拉满，细节都清晰可见。

苹果把这项成果命名为MDM，DM就是扩散模型（Diffusion Model）的缩写，而第一个M则代表了套娃（Matryoshka）。

就像真的套娃一样，MDM在高分辨率过程中嵌套了低分辨率过程，而且是多层嵌套。

高低分辨率扩散过程同时进行，极大降低了传统扩散模型在高分辨率过程中的资源消耗。

对于256×256分辨率的图像，在批大小（batch size）为1024的环境下，传统扩散模型需要训练150万步，而MDM仅需39万，减少了超七成。

另外，MDM采用了端到端训练，不依赖特定数据集和预训练模型，在提速的同时依然保证了生成质量，而且使用灵活。

不仅可以画出高分辨率的图像，还能合成16×256²的视频。

有网友评论到，苹果终于把文本连接到图像中了。

那么，MDM的“套娃”技术，具体是怎么做的呢？

整体与渐进相结合

在开始训练之前，需要将数据进行预处理，高分辨率的图像会用一定算法重新采样，得到不同分辨率的版本。

然后就是利用这些不同分辨率的数据进行联合UNet建模，小UNet处理低分辨率，并嵌套进处理高分辨率的大UNet。

通过跨分辨率的连接，不同大小的UNet之间可以共用特征和参数。

MDM的训练则是一个循序渐进的过程。

虽然建模是联合进行的，但训练过程并不会一开始就针对高分辨率进行，而是从低分辨率开始逐步扩大。

这样做可以避免庞大的运算量，还可以让低分辨率UNet的预训练可以加速高分辨率训练过程。

训练过程中会逐步将更高分辨率的训练数据加入总体过程中，让模型适应渐进增长的分辨率，平滑过渡到最终的高分辨率过程。

不过从整体上看，在高分辨率过程逐步加入之后，MDM的训练依旧是端到端的联合过程。

在不同分辨率的联合训练当中，多个分辨率上的损失函数一起参与参数更新，避免了多阶段训练带来的误差累积。

每个分辨率都有对应的数据项的重建损失，不同分辨率的损失被加权合并，其中为保证生成质量，低分辨率损失权重较大。

在推理阶段，MDM采用的同样是并行与渐进相结合的策略。

此外，MDM利还采用了预训练的图像分类模型（CFG）来引导生成样本向更合理的方向优化，并为低分辨率的样本添加噪声,使其更贴近高分辨率样本的分布。

那么，MDM的效果究竟如何呢？

更少参数匹敌SOTA

图像方面，在ImageNet和CC12M数据集上，MDM的FID（数值越低效果越好）和CLIP表现都显著优于普通扩散模型。

其中FID用于评价图像本身的质量，CLIP则说明了图像和文本指令之间的匹配程度。

和DALL E、IMAGEN等SOTA模型相比，MDM的表现也很接近，但MDM的训练参数远少于这些模型。

不仅是优于普通扩散模型，MDM的表现也超过了其他级联扩散模型。

消融实验结果表明，低分辨率训练的步数越多，MDM效果增强就越明显；另一方面，嵌套层级越多，取得相同的CLIP得分需要的训练步数就越少。

而关于CFG参数的选择，则是一个多次测试后再FID和CLIP之间权衡的结果（CLIP得分高相对于CFG强度增大）。

论文地址：
https://arxiv.org/abs/2310.15111