真正实现一步文生图，GOOGLE UFOGen极速采样，生成高质量图像

ddx730

最近一年来，以 Stable Diffusion 为代表的一系列文生图扩散模型彻底改变了视觉创作领域。数不清的用户通过扩散模型产生的图片提升生产力。但是，扩散模型的生成速度是一个老生常谈的问题。因为降噪模型依赖于多步降噪来逐渐将初始的高斯噪音变为图片，因此需要对网络多次计算，导致生成速度很慢。这导致大规模的文生图扩散模型对一些注重实时性，互动性的应用非常不友好。随着一系列技术的提出，从扩散模型中采样所需的步数已经从最初的几百步，到几十步，甚至只需要 4-8步。


最近，来自GOOGLE的研究团队提出了.UFOGen模型，一种能极速采样的扩散模型变种。通过论文提出的方法对 Stable Diffusion 进行微调，UFOGen只需要一步就能生成高质量的图片。与此同时，Stable Diffusion 的下游应用，比如图生图，ControlNet 等能力也能得到保留。

从下图可以看到，UFOGen 只需一步即可生成高质量，多样的图片。

提升扩散模型的生成速度并不是一个新的研究方向。之前关于这方面的研究主要集中在两个方向。一个方向是设计更高效的数值计算方法，以求能达到利用更少的离散步数求解扩散模型的采样 ODE的目的。比如清华的朱军团队提出的 DPM 系列数值求解器，被验证在 Stable Diffusion 上非常有效，能显著地把求解步数从 DDIM默认的50步降到20步以内。另一个方向是利用常识蒸馏的方法，将模型的基于ODE 的采样路径压缩到更小的步数。这个方向的例子是 CVPR2023 最佳论文候选之一的 Guided
distillation，以及最近大火的Latent Consistency Model（LCM）。尤其是LCM，通过对一致性目标进行蒸馏，能够将采样步用。数降到只需 4步，由此催生了不少实时生成的应用。


然而，GOOGLE的研究团队在 UFOGen 模型中并没有跟随以上大方向，而是另辟蹊径，利用了一年多前提出的扩散模型和GAN 的混合模型思路。他们认为前面提到的基于 ODE 的采样和蒸馏有其根本的局限性，很难将采样步数压缩到极限。因此想实现一步生成的目标，需要打开新的思路。


扩散模型和GAN的混合模型最早是英伟达的研究团队在 ICLR 2022.上提出的 DDGA（《Tackling the Generative Learning Trilemma with Denoising Diffusion GANs»)。其灵感来自于普通扩散模型对降噪分布进行高斯假设的根本缺陷。简单来说，扩散模型假设其降噪分布（给定一个加了噪音的样本，对噪音含量更少的样本的条件分布）是一个简单的高斯分布。然而，随机微分方程理论证明这样的假设只在降噪步长趋于0的时候成立，因此扩散模型需要大量重复的降噪步数来保证小的降噪步长，导致很慢的生成速度。


DDGAN 提出抛弃降噪分布的高斯假设，而是用一个带条件的 GAN 来模拟这个降噪分布。因为 GAN具有极强的表示能力，能模拟复杂的分布，所以可以取较大的降噪步长来达到减少步数的目的。然而：DDGAN将扩散模型稳定的重构训练目标变成了GAN 的训练目标，很容易造成训练不稳定，从而难以延伸到更复杂的任务。在 NeurIPS 2023上，和创造 UGOGen 的同样的GOOGLE研究团队提出了 SIDDM（论文标题Semi-Implicit Denoising Diffusion Models），将重构目标函数重新引入了DDGAN 的训练目标，使训练的稳定性和生成质量都相比于 DDGAN 大幅提高。


SIDDM 作为 UFOGen 的前身，只需要4步就能在 CIFAR-10, ImageNet 等研究数据集上生成高质量的图片。但是 SIDDM 有两个问题需要解决：首先，它不能做到理想状况的一步生成；其次，将其扩展到更受关注的文生图领域并不简单。为此，GOOGLE的研究团队提出了UFOGen，解决这两个问题。


具体来说，对于问题一，通过简单的数学分析，该团队发现通过改变生成器的参数化方式，以及改变重构损失函数计算的计算方式，理论上模型可以实现一步生成。对于问题二，该团队提出利用已有的Stable Diffusion 模型迸行初始化来止 UFOGen模型更快更好的扩展到文生图任务上。值得注意的是，SIDDM 就已经提出让生成器和判别器都采用UNet 架构，因此基于该设计，UFOGen 的生成器和判別器都是由 Stable Diffusion 模型初始化的。这样做可以最大限度地利用 Stable Diffusion 的内部信息，尤其是关于图片和文字的关系的信息。这样的信息很难通过对抗学习来获得。训练算法和图示见下。

值得注意的是，在这之前也有一些利用GAN做文生图的工作，比如英伟达的 StyleGAN-T，Adobe的 GigaGAN，都是将 StyleGAN 的基本架构扩展到更大的规模，从而也能一步文生图。UFOGen的编辑指出，比起之前基于 GAN的工作，除了生成质量外，UFOGen 还有几点优势：

1.纯粹的 GAN 训练非常不稳定，尤其是对文生图任务来说，判别器不但需要判别图片的纹理，还需要理解图片和文字的匹配程度，而这是十分困难的任务，尤其在训练早期。因此，之前的 GAN 模型比如 GigaGAN，引入大量的辅助 loss 来帮助训练，这使得训练和调参变得异常困难。UFOGen因为有重构损失，GAN 在这里起到辅助作用，因此训练非常稳定。

2. 直接从头开始训练GAN 除了不稳定还异常昂贵，尤其是在文生图这样需要大量数据和训练步数的任务下。因为需要同时更新两组参数，GAN 的训练比扩散模型来说消耗的时间和内存都更大。UFOGen 的创新设计能从 Stable Diffusion 中初始化参数，节约了训练时间。通常收敛只需要几万步训练。

3. 文生图扩散模型的一大魅力在于能适用于其他任务，包括不需要微调的应用比如图生图，已经需要微调的应用比如可控生成。之前的GAN模型很难扩展到这些下游任务，因为微调 GAN 一直是个难题。相反，UFOGen 拥有扩散模型的框架，因此能更简单地应用到这些任务上。下图展示了UFOGen 的图生图以及可控生成的例子，注意这些生成也只需要一步采样。

实验表明，UFOGen 只需一步采样便可以生成高质量的，符合文字描述的图片。在和近期提出的针对扩散模型的高速采样方法的对比中（包括Instaflow，以及大火的LCM），UFOGen 展示出了很强的竞争力。甚至和1.50步采样的Stable Diffusion 相比，UFOGen 生成的样本在观感上也没有表现得更弱。下面是一些对比结果：

总结：
通过提升现有的扩散模型和 GAN 的混合模型，GOOGLE团队提出了强大的能实现一步文生图的UFOGen 模型。该模型可以由 Stable Diffusion微调而来，在保证一步文生图能力的同时，还能适用于不同的下游应用。作为实现超快速文本到图像合成的早期工作之一，UFOGen 为高效率生成模型领域开启了一条新道路。