最近,文本到圖像(T2I)生成模型如DALLE2、Imagen和Stable Diffusion的發(fā)展,開啟了逼真圖像合成的新時(shí)代。這不僅對(duì)圖片編輯、視頻制作、3D素材創(chuàng)建等領(lǐng)域產(chǎn)生了深遠(yuǎn)影響,還為研究社區(qū)和企業(yè)提供了許多下游應(yīng)用的機(jī)會(huì)。
然而,這些復(fù)雜的模型需要巨大的計(jì)算資源來進(jìn)行訓(xùn)練。例如,訓(xùn)練SD v1.5需要6,000塊A100GPU,成本約為32萬美元。而更大的模型RAPHAEL,甚至需要60,000塊A100GPU,成本高達(dá)308萬美元。此外,訓(xùn)練會(huì)產(chǎn)生大量的二氧化碳排放,給環(huán)境造成了壓力,例如,RAPHAEL的訓(xùn)練會(huì)產(chǎn)生35噸的二氧化碳排放,相當(dāng)于一個(gè)人七年的排放量。
這種高昂的價(jià)格限制了研究社區(qū)和企業(yè)獲得這些模型,嚴(yán)重阻礙了人工智能生成內(nèi)容(AIGC)領(lǐng)域的發(fā)展。關(guān)鍵問題是,是否可以以更少的資源開發(fā)高質(zhì)量的圖像生成模型?
來自華為諾亞方舟實(shí)驗(yàn)室、大連理工大學(xué)、香港大學(xué)和香港科技大學(xué)的研究人員提出了PIXART-α,它顯著降低了訓(xùn)練成本,同時(shí)保持了與最新圖像生成器相匹敵的圖像質(zhì)量。他們提出了三個(gè)主要的設(shè)計(jì)思路:
首先,他們通過分解訓(xùn)練計(jì)劃,將文本到圖像生成問題劃分為三個(gè)簡(jiǎn)單的子任務(wù):學(xué)習(xí)自然圖像像素的分布、學(xué)習(xí)文本圖像對(duì)齊以及提高圖像的美觀度。通過使用低成本的類別條件模型初始化T2I模型,大幅降低了第一個(gè)子任務(wù)的學(xué)習(xí)成本。其次,他們提出了一個(gè)訓(xùn)練范例,包括在信息密度高的文本圖像對(duì)數(shù)據(jù)上進(jìn)行預(yù)訓(xùn)練,然后在更高審美質(zhì)量的數(shù)據(jù)上進(jìn)行微調(diào),以提高訓(xùn)練效果。他們還使用交叉注意力模塊來注入文本條件,并簡(jiǎn)化了計(jì)算密集的類別條件分支,從而提高了效率。
此外,他們提出了一種重新參數(shù)化方法,可以讓修改后的文本到圖像模型直接導(dǎo)入原始類別條件模型的參數(shù)。這樣一來,他們可以利用ImageNet關(guān)于自然圖片分布的過去知識(shí),為T2I Transformer提供合理的初始化,加速訓(xùn)練過程。
在高質(zhì)量信息方面,他們的研究揭示了現(xiàn)有的文本-圖像對(duì)數(shù)據(jù)集存在顯著缺陷,例如LAION。文本描述經(jīng)常受到嚴(yán)重的長(zhǎng)尾效應(yīng)影響(即很多名詞出現(xiàn)頻率極低),而且缺乏信息內(nèi)容(通常只描述圖像中的一部分物體)。這些缺陷極大地降低了T2I模型訓(xùn)練的效果,需要數(shù)百萬次迭代才能獲得可靠的文本圖像對(duì)齊。他們建議使用最先進(jìn)的視覺-語言模型進(jìn)行自動(dòng)標(biāo)注,以在SAM上生成說明,從而克服這些問題。
SAM數(shù)據(jù)集具有大量多樣化的對(duì)象,這使其成為生成信息密度高的文本-圖像對(duì)的理想來源,更適合文本-圖像對(duì)齊學(xué)習(xí)。他們的聰明方法使其模型的訓(xùn)練非常高效,僅需675塊A100GPU天和26,000美元。與Imagen相比,他們的方法使用更少的訓(xùn)練數(shù)據(jù)量(0.2% vs. Imagen)和更短的訓(xùn)練時(shí)間(2% vs. RAPHAEL)。他們的訓(xùn)練費(fèi)用約為RAPHAEL的1%,為他們節(jié)省了約300萬美元。
關(guān)于生成質(zhì)量,他們的用戶研究試驗(yàn)顯示,PIXART-α提供了比當(dāng)前SOTA T2I模型、Stable Diffusion等更好的圖像質(zhì)量和語義對(duì)齊,此外,它在T2I-CompBench上的性能顯示出在語義控制方面具有優(yōu)勢(shì)。
他們預(yù)計(jì),他們有效訓(xùn)練T2I模型的努力將為AIGC社區(qū)提供有用的見解,并幫助更多的獨(dú)立學(xué)術(shù)界或公司以更實(shí)惠的價(jià)格生成高質(zhì)量的T2I模型。
總之,PIXART-α具有以下特色和功能:
高質(zhì)量圖像生成:PIXART-α基于Transformer技術(shù),能夠生成高質(zhì)量、藝術(shù)性強(qiáng)、高細(xì)節(jié)、廣角鏡頭的圖像,包括明亮的場(chǎng)景、鳥瞰圖、古城、幻想、華麗的光線、鏡面反射等。
低培訓(xùn)成本:與其他先進(jìn)的文本到圖像模型相比,PIXART-α的培訓(xùn)成本明顯降低,僅需相對(duì)較少的訓(xùn)練資源,從而顯著降低了培訓(xùn)過程中的時(shí)間和經(jīng)濟(jì)成本。
高分辨率圖像合成:PIXART-α支持高分辨率圖像的合成,可以生成高達(dá)1024px分辨率的圖像,這有助于滿足商業(yè)應(yīng)用的需求。
訓(xùn)練效率:該模型提出了一種訓(xùn)練策略分解,通過優(yōu)化不同的訓(xùn)練步驟來提高訓(xùn)練效率,包括像素依賴性、文本圖像對(duì)齊和圖像美學(xué)質(zhì)量的優(yōu)化。
CO2排放減少:PIXART-α的低培訓(xùn)成本也導(dǎo)致了較低的CO2排放,對(duì)環(huán)境友好,有助于減少碳排放。
支持文本-圖像對(duì)齊:該模型強(qiáng)調(diào)了文本-圖像對(duì)之間概念密度的重要性,并利用大型視覺語言模型自動(dòng)標(biāo)記密集的偽標(biāo)題以提高文本-圖像對(duì)齊的質(zhì)量。
控制功能:PIXART-α還提供了控制功能,允許用戶生成定制圖像,精確修改物體顏色等,以滿足特定需求。
文章內(nèi)容僅供閱讀,不構(gòu)成投資建議,請(qǐng)謹(jǐn)慎對(duì)待。投資者據(jù)此操作,風(fēng)險(xiǎn)自擔(dān)。
2024年的Adobe MAX 2024發(fā)布會(huì)上,Adobe推出了最新版本的Adobe Creative Cloud。
奧維云網(wǎng)(AVC)推總數(shù)據(jù)顯示,2024年1-9月明火炊具線上零售額94.2億元,同比增加3.1%,其中抖音渠道表現(xiàn)優(yōu)異,同比有14%的漲幅,傳統(tǒng)電商略有下滑,同比降低2.3%。
“以前都要去窗口辦,一套流程下來都要半個(gè)月了,現(xiàn)在方便多了!”打開“重慶公積金”微信小程序,按照提示流程提交相關(guān)材料,僅幾秒鐘,重慶市民曾某的賬戶就打進(jìn)了21600元。
華碩ProArt創(chuàng)藝27 Pro PA279CRV顯示器,憑借其優(yōu)秀的性能配置和精準(zhǔn)的色彩呈現(xiàn)能力,為您的創(chuàng)作工作帶來實(shí)質(zhì)性的幫助,雙十一期間低至2799元,性價(jià)比很高,簡(jiǎn)直是創(chuàng)作者們的首選。
9月14日,2024全球工業(yè)互聯(lián)網(wǎng)大會(huì)——工業(yè)互聯(lián)網(wǎng)標(biāo)識(shí)解析專題論壇在沈陽成功舉辦。