蘋果「套娃」式擴散模型，訓練步數減少七成！

蘋果的一項最新研究，大幅提高了擴散模型在高解析度影像上表現。

利用這個方法，同樣解析度的影像，訓練步數減少了超過七成。

在1024×1024的解析度下，圖片畫質直接拉滿，細節都清晰可見。

蘋果把這項成果命名為MDM，DM就是擴散模型（Diffusion Model）的縮寫，而第一個M則代表了套娃（Matryoshka）。

就像真的套娃一樣，MDM在高解析度過程中嵌套了低解析度過程，而且是多層嵌套。

高低解析度擴散過程同時進行，大幅降低了傳統擴散模型在高解析度過程中的資源消耗。

對於256×256解析度的影像，在批次大小（batch size）為1024的環境下，傳統擴散模型需要訓練150萬步，而MDM僅需39萬，減少了超七成。

另外，MDM採用了端到端訓練，不依賴特定資料集和預訓練模型，在提速的同時依然保證了生成質量，而且使用靈活。

不僅可以畫出高解析度的影像，還能合成16×256²的影片。

有網友評論到，蘋果終於把文字連接到圖像中了。

那麼，MDM的「套娃」技術，具體是怎麼做的呢？

整體與漸進式結合

在開始訓練之前，需要將資料進行預處理，高解析度的影像會用一定演算法重新取樣，得到不同分辨率的版本。

然後就是利用這些不同分辨率的資料進行聯合UNet建模，小UNet處理低分辨率，並嵌套進處理高分辨率的大UNet。

透過跨解析度的連接，不同大小的UNet之間可以共用特徵和參數。

MDM的訓練則是一個循序漸進的過程。

雖然建模是聯合進行的，但訓練過程並不會一開始就針對高解析度進行，而是從低解析度開始逐步擴大。

這樣做可以避免龐大的運算量，還可以讓低解析度UNet的預訓練可以加速高解析度訓練過程。

訓練過程中會逐步將更高解析度的訓練資料加入整體過程中，讓模型適應漸進增長的分辨率，平滑過渡到最終的高解析度過程。

不過從整體來看，在高解析度過程逐步加入之後，MDM的訓練依舊是端到端的聯合過程。

在不同解析度的聯合訓練當中，多個解析度上的損失函數一起參與參數更新，避免了多階段訓練帶來的誤差累積。

每個解析度都有對應的資料項目的重建損失，不同解析度的損失被加權合併，其中為保證產生質量，低解析度損失權重較大。

在推理階段，MDM採用的同樣是並行與漸進結合的策略。

此外，MDM利還採用了預先訓練的圖像分類模型（CFG）來引導生成樣本向更合理的方向優化，並為低分辨率的樣本添加噪聲,使其更貼近高分辨率樣本的分佈。

那麼，MDM的效果究竟如何呢？

較少參數匹敵SOTA

影像方面，在ImageNet和CC12M資料集上，MDM的FID（數值越低效果越好）和CLIP表現都顯著優於一般擴散模型。

其中FID用來評價圖像本身的質量，CLIP則說明了圖像和文字指令之間的匹配程度。

和DALL E、IMAGEN等SOTA模型相比，MDM的表現也很接近，但MDM的訓練參數遠少於這些模型。

不僅是優於一般擴散模型，MDM的表現也超過了其他級聯擴散模型。

消融實驗結果表明，低解析度訓練的步數越多，MDM效果增強就越明顯；另一方面，嵌套層級越多，取得相同的CLIP得分所需的訓練步數就越少。

而關於CFG參數的選擇，則是多次測試後再FID和CLIP之間權衡的結果（CLIP得分高相對於CFG強度增加）。

以上是蘋果「套娃」式擴散模型，訓練步數減少七成！的詳細內容。更多資訊請關注PHP中文網其他相關文章！