就在刚刚，号称是「开源版 Midjourney」的 Stable Diffusion XL 0.9 的技术报告，新鲜出炉。

「加强版」Stable Diffusion 最新技术报告出炉了！

报告地址:

在 4 月开启公测后，Stable Diffusion XL 受到不少人的青睐，号称「开源版的 Midjourney」。

在画手、写字等细节上，SDXL 能够全局把控，最重要的是不用超长 prompt 就可实现。

不仅如此，比起需要氪金的 Midjourney，SDXL 0.9 可以免费体验！

有趣的是，研究团队在最后的附录中，竟然感谢了「ChatGPT 提供的写作帮助」。

「小胜」Midjourney

那么，与 Midjourney 相比，SDXL 究竟有多能打？

报告中，研究人员从每个类别中随机选择了 5 个提示，并针对每个提示使用 Midjourney和 SDXL 生成了四张 1024×1024 的图像。

然后将这些图像提交给 AWS GroundTruth 任务组，该任务组根据遵循提示进行投票。

总体而言，在遵循提示方面，SDXL 略优于 Midjourney。

对比涵盖了 PartiPrompts基准测试中的所有「类别」和「挑战」。

值得注意的是，SDXL 在 54.9% 的情况下优于 Midjourney V5.1。

初步测试表明，最近发布的 Midjourney V5.2 在理解提示方面反而有所降低。不过，生成多个提示的繁琐过程妨碍了进行更广泛测试的速度。

P2 基准中的每个提示都按照类别和挑战进行了组织，每个类别和挑战都专注于生成过程的不同难点。

如下展示了 P2 基准中每个类别和挑战(图 11)的比较结果。

在 6 个类别中的 4 个，SDXL 表现优于 Midjourney，在 10 个挑战中的 7 个，两个模型之间没有显著差异，或者 SDXL 表现优于 Midjourney。

大家也可以来猜猜看，下面这组图中，哪些是 SDXL 生成的，哪些是 Midjourney 生成的。

SDXL:开源最强文生图

去年，号称最强文生图模型 Stable Diffusion 开源，点燃了全球生成式 AI 的火把。

比起 OpenAI 的 DALL-E，Stable Diffusion 让人们能够在消费级显卡上实现文生图效果。

Stable Diffusion 是一种潜在的文本到图像的扩散模型 ，应用非常广泛。

近来基于功能磁共振成像 fMRI 重建大脑图像的研究，以及音乐生成的研究都是基于 DM 展开的。

而这个爆火工具背后的初创公司 Stability AI，在今年 4 月再次推出，Stable Diffusion 改进版本 ——SDXL。

根据用户研究，SDXL 的性能始终超过 Stable Diffusion 以前所有的版本，比如 SD 1.5 、SD2.1。

报告中，研究人员提出了导致这种性能提升的设计选择，包括:

1)与以前的 Stable Diffusion 模型相比，UNet 主干架构增加了 3 倍；

2)两种简单而有效的附加调节技术，不需要任何形式的额外监督；

3)一个单独的基于扩散的细化模型，该模型对 SDXL 产生的潜在信号采用去噪处理 ，以提高样本的视觉质量。

改善 Stable Diffusion

研究人员对 Stable Diffusion 架构进行了改进。这些都是模块化的，可以单独使用，或一起使用来扩展任何模型。

报告称，尽管以下策略是作为潜在扩散模型的扩展开展的 ，但其中大多数也适用于像素空间的对应物。

当前，DM 已被证明是图像合成的强大生成模型，卷积 UNet 架构成为基于扩散的图像合成的主导架构。

随着 DM 发展，底层架构也在不断演进:从增加自注意力和改进升级层，到文本图像合成的交叉注意力，再到纯粹基于 Transformer 架构。

在 Stable Diffusion 不断改进中，研究人员也在遵循这一趋势，将大部分 Transformer 计算转移到 UNet 中较低级的特征中。

特别是，与原来的 SD 架构相比，研究人员在 UNet 中使用了不同的 Transformer 块异构分布。

为了提高效率，并在最高特征级别中省略了 Transformer 块，在较低级别中使用 2 个和 10 个块，还在 UNet 中完全删除了最低级别，如下图所示。

研究人员选择了一个更强大的预训练文本编码器，用于文本调节。

具体来说，将 OpenCLIP ViT-bigG 与 CLIP ViT-L 结合使用，这里沿着通道轴连接倒数第二个文本编码器输出。

除了使用交叉注意层来约束模型的文本输入之外，研究人员还遵循 ，并且 OpenCLIP 模型的混合嵌入文本上附加约束模型。

由此，这些因素导致了 UNet 中的模型参数大小为 2.6B，文本编码器总参数为 817M。

微调

潜在扩散模型最大的缺点是，由于它是两阶段架构，训练一个模型需要最小的图像大小。

解决这个问题主要有 2 个方法，要么丢弃低于某个最小分辨率的训练图像，要么选择超小的高级图像。

然而，第一种方法会导致可能导致大量的训练数据被丢弃，图像性能会损失。研究人员为 SDXL 预先训练数据集做了一个可视化效果。

对于特殊的数据选择，丢弃低于 256×256 像素预训练分辨率的所有样本，将导致 39% 数据丢失。

而第二种方法，通常会带来升级的伪影，这些伪影可能会泄露到最终的模型输出中，导致样本模糊。

对此，研究人员建议将 UNet 模型以原始分辨率为条件。这在训练期间非常容易获得。

特别是，提供了原始图像的高度和宽度作为模型

的附加条件。

每个组件都使用傅里叶特征编码独立嵌入，并连接成一个向量，研究团队通过添加到时间步长嵌入中来反馈到模型中。

在推断时，用户可以通过这种尺寸调节来设置图像所需的直观分辨率。显然 ，模型已经学会将条件

与分辨率相关的图像特性。

如图，研究人员显示了从 SDXL 中用相同的随机种子抽取 4 个样本，并改变大小调节。当调节较大的图像尺寸时，图像质量明显提高。

如下是 SDXL 的输出，与 SD 以前版本的比较。对于每个 prompt，研究人员在 DDIM 采样器和 cfg-scale 8.0 的 50 步的 3 个随机样本。

在先前的 SD 模型中，合成的图象可能会被不正确地裁剪，比如左边例子中 SD 1.5 和 SD 2.1 生成的猫头。

而从以下这些对比中不难看出，SDXL 基本上已经把这个问题给解决了。

能够实现如此显著的改善，是因为研究人员提出了一种简单而有效的条件化方法:

在数据加载过程中，统一采样裁剪坐标

，并通过傅里叶特征嵌入将它们作为条件化参数输入模型，类似于上述尺寸条件化方法。

然后使用连接嵌入

作为附加条件参数。

在此，研究团队特别强调，这并不是唯一适用于 LDMs 的技术，裁剪和尺寸调节可以很容易地结合起来。

在这种情况下，沿着通道维度连接嵌入的特征，然后将其添加到嵌入 UNet 的时间步长中。

如图，通过调优

，可以成功地模拟推理过程中的裁剪量。

全面训练

受到以上技术启发，研究人员还对模型进行微调，以同时处理多个纵横比:将数据分割成不同纵横比的桶形，在这里尽可能保持像素计数接近 1024×1024，相应地以 64 的倍数改变高度和宽度。

改进的自编码器

虽然大部分的语义构成是由 LDM 完成的，但研究人员可以通过改进自编码器来改善生成图像中的局部、高频细节。

为此，研究人员以更大的批处理规模来训练用于原始 SD 相同的自编码器结构，并以指数移动平均数来跟踪权重。

由此产生的自编码器在所有评估的重建指标中，都优于原始模型。

SDXL 诞生了

研究人员在一个多阶段的过程来训练最终的模型 SDXL。SDXL 使用了自编码器，和 1000 步的离散时间扩散计划。

首先，在一个内部数据集上预训练一个基础模型，其高度和宽度分布显示为 60 万个优化步骤，分辨率为 256 × 256，批大小为 2048，使用如上所述的尺寸和裁剪调节。

然后，研究人员继续对 512×512 的图像进行训练，再进行 20 万个优化步骤，最后利用全面训练，结合 0.05 的偏移噪声水平，在约 1024×1024 像素区域不同纵横比训练模型。

在细化阶段上，研究人员发现得到的模型有时会产生局部质量低的样本，如下图所示。

为了提高样本质量，他们在相同的潜在空间中训练了一个独立的 LDM，专门处理高质量、高分辨率的数据，并采用 SDEdit 在基本模型样本上引入去噪处理。

在推理过程中，研究人员使用相同的文本输入，从基本 SDXL 渲染潜在信息，并使用细化模型在潜在空间中直接扩散和去噪。

值得一提的是，这一步能够提高背景和人脸的样本质量，并且可选。

局限性

虽然 SDXL 在性能上已经有了不小的提升，但模型依然存在着明显的局限性。

首先，SDXL 还是不能很好地处理比如人手这类的复杂结构。

研究人员推测，产生这种问题的原因是，由于不同图像中人手以及其他结构复杂的物体，存在着很大的差异性，因此模型很难提取出真实的 3D 形状。

其次，SDXL 生成的图像还远不及照片那样逼真。

在一些微妙的细节上，比如弱光效果或纹理变化，AI 生成的图像可能会出现缺失或表现得不够准确。

此外，当图像中包含有多个物体或主体时，模型可能会出现所谓的「概念溢出」现象。这个问题表现为，不同视觉元素的意外合并或重叠。

例如，下图中的橙色太阳镜，就是因为「橙色毛衣」出现了概念溢出。

而在图 8 中，本应该戴着「蓝色帽子」和「红色手套」的企鹅，在生成的图像中却是戴着「蓝色手套」和「红色帽子」。

与此同时，一直困扰着文生图模型的「文字生成」部分，依然是个大问题。

如图 8 所示，模型生成的文本有时可能包含随机字符，或者与给定的提示并不一致。

未来的工作

对此，研究人员表示，对于模型的进一步改进，主要会集中在以下几个方面:

?单阶段生成

目前，团队使用的是一个额外的细化模型以两阶段的方式，来生成 SDXL 的最佳样本。这样就需要将两个庞大的模型加载到内存中，从而降低了可访问性和采样速度。

?文本合成

规模和更大的文本编码器有助于改善文本渲染能力，而引入字节级 tokenizer 或将模型扩展到更大规模，可能会进一步提高文本合成的质量。

?架构

在探索阶段，团队尝试了基于 Transformer 的架构，如 UViT 和 DiT，但没有显著改善。然而，团队仍然认为，通过更仔细的超参数研究，最终能够实现更大的基于 Transformer 的架构的扩展。

?蒸馏

虽然原始的 Stable Diffusion 模型已经得到了显著的改进，但代价是增加了推断的成本。因此，未来的工作将集中于减少推断所需的计算量，并提高采样速度上。比如通过引导蒸馏、知识蒸馏和渐进蒸馏等方法。

目前，最新报告还只在 GitHub 上可以查看。Stability AI 的 CEO 称，马上会上传到 arxiv 上。

参考资料:

广告声明:文内含有的对外跳转链接，用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。