T2I扩散模型PIXART-α：图像生成质量媲美Stable Diffusion

　　最近，文本到图像(T2I)生成模型如DALLE2、Imagen和Stable Diffusion的发展，开启了逼真图像合成的新时代。这不仅对图片编辑、视频制作、3D素材创建等领域产生了深远影响，还为研究社区和企业提供了许多下游应用的机会。

　　然而，这些复杂的模型需要巨大的计算资源来进行训练。例如，训练SD v1.5需要6，000块A100GPU，成本约为32万美元。而更大的模型RAPHAEL，甚至需要60，000块A100GPU，成本高达308万美元。此外，训练会产生大量的二氧化碳排放，给环境造成了压力，例如，RAPHAEL的训练会产生35吨的二氧化碳排放，相当于一个人七年的排放量。

　　这种高昂的价格限制了研究社区和企业获得这些模型，严重阻碍了人工智能生成内容(AIGC)领域的发展。关键问题是，是否可以以更少的资源开发高质量的图像生成模型?

　　来自华为诺亚方舟实验室、大连理工大学、香港大学和香港科技大学的研究人员提出了PIXART-α，它显著降低了训练成本，同时保持了与最新图像生成器相匹敌的图像质量。他们提出了三个主要的设计思路:

　　首先，他们通过分解训练计划，将文本到图像生成问题划分为三个简单的子任务:学习自然图像像素的分布、学习文本图像对齐以及提高图像的美观度。通过使用低成本的类别条件模型初始化T2I模型，大幅降低了第一个子任务的学习成本。其次，他们提出了一个训练范例，包括在信息密度高的文本图像对数据上进行预训练，然后在更高审美质量的数据上进行微调，以提高训练效果。他们还使用交叉注意力模块来注入文本条件，并简化了计算密集的类别条件分支，从而提高了效率。

　　此外，他们提出了一种重新参数化方法，可以让修改后的文本到图像模型直接导入原始类别条件模型的参数。这样一来，他们可以利用ImageNet关于自然图片分布的过去知识，为T2I Transformer提供合理的初始化，加速训练过程。

　　在高质量信息方面，他们的研究揭示了现有的文本-图像对数据集存在显著缺陷，例如LAION。文本描述经常受到严重的长尾效应影响(即很多名词出现频率极低)，而且缺乏信息内容(通常只描述图像中的一部分物体)。这些缺陷极大地降低了T2I模型训练的效果，需要数百万次迭代才能获得可靠的文本图像对齐。他们建议使用最先进的视觉-语言模型进行自动标注，以在SAM上生成说明，从而克服这些问题。

　　SAM数据集具有大量多样化的对象，这使其成为生成信息密度高的文本-图像对的理想来源，更适合文本-图像对齐学习。他们的聪明方法使其模型的训练非常高效，仅需675块A100GPU天和26，000美元。与Imagen相比，他们的方法使用更少的训练数据量(0.2% vs. Imagen)和更短的训练时间(2% vs. RAPHAEL)。他们的训练费用约为RAPHAEL的1%，为他们节省了约300万美元。

　　关于生成质量，他们的用户研究试验显示，PIXART-α提供了比当前SOTA T2I模型、Stable Diffusion等更好的图像质量和语义对齐，此外，它在T2I-CompBench上的性能显示出在语义控制方面具有优势。

　　他们预计，他们有效训练T2I模型的努力将为AIGC社区提供有用的见解，并帮助更多的独立学术界或公司以更实惠的价格生成高质量的T2I模型。

　　总之，PIXART-α具有以下特色和功能:

　　高质量图像生成:PIXART-α基于Transformer技术，能够生成高质量、艺术性强、高细节、广角镜头的图像，包括明亮的场景、鸟瞰图、古城、幻想、华丽的光线、镜面反射等。

　　低培训成本:与其他先进的文本到图像模型相比，PIXART-α的培训成本明显降低，仅需相对较少的训练资源，从而显著降低了培训过程中的时间和经济成本。

　　高分辨率图像合成:PIXART-α支持高分辨率图像的合成，可以生成高达1024px分辨率的图像，这有助于满足商业应用的需求。

　　训练效率:该模型提出了一种训练策略分解，通过优化不同的训练步骤来提高训练效率，包括像素依赖性、文本图像对齐和图像美学质量的优化。

　　CO2排放减少:PIXART-α的低培训成本也导致了较低的CO2排放，对环境友好，有助于减少碳排放。

　　支持文本-图像对齐:该模型强调了文本-图像对之间概念密度的重要性，并利用大型视觉语言模型自动标记密集的伪标题以提高文本-图像对齐的质量。

　　控制功能:PIXART-α还提供了控制功能，允许用户生成定制图像，精确修改物体颜色等，以满足特定需求。