新文生图模型PIXART-δ:引入ControlNet，加速文本生成图像生成

　　1月17日 消息:近年来，文本到图像生成模型的需求不断增长，但高质量图像的生成往往面临资源密集型训练和慢推理的挑战，制约了其实时应用。本文介绍了PIXART-δ，这是PIXART-α框架的先进版本，无缝整合了Latent Consistency Models(LCM)和定制的ControlNet模块。

　　PIXART-α以其高效的训练和优越的图像生成质量而闻名，为PIXART-δ提供了坚实的基础。LCM加速推理过程，仅需在预训练的Latent Diffusion Models(LDMs)上进行2∼4步操作即可生成高质量样本。这一改进使得PIXART-δ在A100GPU上实现了每秒0.5秒的惊人推理速度，相比PIXART-α提高了7倍。

　　在将ControlNet引入PIXART-δ时，由于其原本是为UNet架构设计的，当应用于基于Transformer的模型时，提出了一种新颖的ControlNet-Transformer架构。该设计在Transformer的初始N个基本块上选择性地应用ControlNet结构，显著提高了可控性和性能。

　　训练过程利用了Latent Consistency Distillation(LCD)，这是原始Consistency Distillation(CD)算法的改进版本。通过算法1中的Classifier-Free Guidance(CFG)的PIXART-δ伪代码，Teacher、Student和EMA Model(图1中)充当ODE求解器的去噪器。创新的LCD算法通过FID和CLIP分数的评估展示了其有效性。

　　PIXART-δ的训练效率是一个重要亮点，成功在32GB GPU内存限制下进行蒸馏过程，支持高达1024×1024的图像分辨率。这种效率使得PIXART-δ能够在普通消费级GPU上进行训练，扩大了其可访问性。

　　在推理速度方面，PIXART-δ在不同硬件平台上都优于类似方法，如SDXL LCM-LoRA、PIXART-α和SDXL标准。仅需四个步骤，PIXART-δ在生成速度上保持领先地位，相比PIXART-α和SDXL标准所需的14和25步，展现了其高效性。

　　引入ControlNet到PIXART-δ中涉及将原始零卷积替换为专为Transformer架构定制的零线性层。ControlNet-Transformer设计在图4(c)中展示，选择性地将ControlNet应用于初始N个基本块，实现了对可控性和整体性能的无缝整合。

　　对ControlNet-Transformer进行的割除研究显示了其卓越性能，展示了在不同场景下更快的收敛速度和改善的性能。复制块的数量(N)发现对性能产生影响，对于大多数场景，N =1可以获得令人满意的结果，但在N增加的情况下在具有挑战性的边缘条件下性能得到改善。

　　分析训练步骤对ControlNet-Transformer(N =13)的影响，团队观察到快速收敛，特别是在提高轮廓边缘质量方面，尤其在处理人脸和身体的情况下尤为明显。ControlNet-Transformer的效率和效果进一步强调了其在实时应用中的潜力。

　　PIXART-δ代表了文本到图像生成领域的重大进展，将Latent Consistency Models的加速采样与ControlNet-Transformer的精确控制相结合。广泛的实验展示了PIXART-δ更快的采样速度和ControlNet-Transformer在高分辨率和受控图像生成方面的有效性。这一模型站在最前沿，为实时应用开辟了新的可能性。

　　PIXART-α核心特色功能可以总结如下:

　　1. **高级图像处理技术:** PIXART-α采用先进的图像处理算法，能够实现高质量、高清晰度的图像处理，提高图像的视觉效果。

　　2. **实时性能:** 该技术具有快速的实时性能，能够在实时应用中处理图像，并在短时间内生成优质结果。

　　3. **低功耗设计:** PIXART-α注重能效，采用低功耗设计，适用于需要长时间运行的设备，有助于延长电池寿命。

　　4. **多场景适应性:** 这一技术具有广泛的适应性，可以在多种场景下应用，包括移动设备、摄像头、智能家居等领域。

　　5. **智能识别功能:** PIXART-α内置智能识别功能，能够识别图像中的对象、场景等，提高图像分析的准确性和效率。

　　6. **支持多种图像格式:** 该技术支持处理多种图像格式，使其更具灵活性，能够适应不同的图像输入源。

　　7. **卓越的噪声抑制:** PIXART-α集成了卓越的噪声抑制技术，有效提高图像质量，减少由于噪声引起的视觉干扰。