由顏水成和程明明領(lǐng)銜的研究團(tuán)隊(duì)在Sora核心技術(shù)上進(jìn)行了重要的升級(jí),推出了Masked Diffusion Transformer V2。該模型在ImageNet benchmark上取得了驚人的成績(jī),F(xiàn)ID score達(dá)到1.58,刷新了State-of-the-Art(SoTA)。
作為Sora的核心技術(shù)之一,Diffusion Transformer(DiT)在圖像生成領(lǐng)域取得了顯著的成功,但其訓(xùn)練成本隨著模型規(guī)模的增大而飆升。研究者發(fā)現(xiàn),擴(kuò)散模型難以高效地學(xué)習(xí)圖像中物體各部分之間的語(yǔ)義關(guān)系,導(dǎo)致訓(xùn)練過(guò)程低收斂效率。為了解決這一問(wèn)題,顏水成和程明明研究團(tuán)隊(duì)提出了Masked Diffusion Transformer(MDT),通過(guò)引入mask modeling表征學(xué)習(xí)策略,顯著提升了DiT的訓(xùn)練效率。
MDT采用了針對(duì)Diffusion Transformer設(shè)計(jì)的mask modeling表征學(xué)習(xí)策略,增強(qiáng)了模型對(duì)上下文語(yǔ)義信息的學(xué)習(xí)能力,并加強(qiáng)了圖像中物體之間語(yǔ)義信息的關(guān)聯(lián)學(xué)習(xí)。通過(guò)在擴(kuò)散訓(xùn)練過(guò)程中引入類似于MAE的mask modeling表征學(xué)習(xí)方案,MDT能夠重建不完整輸入圖像的完整信息,提升圖像生成的質(zhì)量和學(xué)習(xí)速度。
具體而言,MDT通過(guò)VAE encoder將圖片映射到latent空間,并在latent空間中進(jìn)行處理以節(jié)省計(jì)算成本。在訓(xùn)練過(guò)程中,MDT首先mask掉部分加噪聲后的圖像token,并將剩余的token送入Asymmetric Diffusion Transformer來(lái)預(yù)測(cè)去噪聲后的全部圖像token。Asymmetric Diffusion Transformer架構(gòu)包含encoder、side-interpolater和decoder,在訓(xùn)練和推理階段分別處理未被mask的token和所有token,確保了模型的一致性。
最新版本的MDT,即MDTv2,通過(guò)更為高效的宏觀網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)一步優(yōu)化了diffusion和mask modeling的學(xué)習(xí)過(guò)程,實(shí)現(xiàn)了訓(xùn)練速度的顯著提升。在ImageNet256基準(zhǔn)下,MDTv2相較于DiT,不僅在訓(xùn)練速度上提升了10倍以上,而且在生成質(zhì)量上取得了更高的FID分?jǐn)?shù)。MDTv2-S/2在400k步驟訓(xùn)練下,F(xiàn)ID指標(biāo)為39.50,明顯領(lǐng)先于DiT-S/2的68.40。
總體而言,MDT的創(chuàng)新設(shè)計(jì)在擴(kuò)散模型訓(xùn)練中引入了有效的語(yǔ)義信息學(xué)習(xí),提高了圖像生成的質(zhì)量和訓(xùn)練速度。研究者認(rèn)為,通過(guò)視覺(jué)表征學(xué)習(xí)增強(qiáng)對(duì)物理世界的語(yǔ)義理解,有望提升生成模型對(duì)物理世界的模擬效果。這一工作符合Sora的期望,通過(guò)生成模型構(gòu)建物理世界模擬器的理念,為未來(lái)的表征學(xué)習(xí)和生成學(xué)習(xí)研究提供了有力的啟示。
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(lái)都要半個(gè)月了,現(xiàn)在方便多了!”打開(kāi)“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(lái)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(yáng)成功舉辦。