兩位清華校友，在OpenAI發(fā)布最新研究——

生成圖像，但速度是擴(kuò)散模型的50倍。

路橙、宋飏再次簡(jiǎn)化了一致性模型，僅用兩步采樣，就能使生成質(zhì)量與擴(kuò)散模型相媲美。

他們成功將連續(xù)時(shí)間一致性模型的訓(xùn)練規(guī)模擴(kuò)展到了前所未有的15億參數(shù)，并實(shí)現(xiàn)了在512×512分辨率的ImageNet數(shù)據(jù)集上的訓(xùn)練。

參數(shù)15億模型在單張A100 GPU上無需任何推理優(yōu)化即可在0.11秒內(nèi)生成一個(gè)樣本。

團(tuán)隊(duì)還表示通過定制系統(tǒng)優(yōu)化，可以進(jìn)一步加速，為實(shí)時(shí)生成圖像、音頻和視頻提供新的可能。

值得一提的是，論文僅有的兩位作者還都是清華校友。

該項(xiàng)研究發(fā)布后得到大量網(wǎng)友點(diǎn)贊轉(zhuǎn)發(fā)。

把正在休假的Openai總裁Greg Brockman都炸出來了：

多模態(tài)模型正邁向?qū)崟r(shí)生成。

那么，sCM是如何實(shí)現(xiàn)的？

兩步采樣，50倍加速

一致性模型是一種快速的擴(kuò)散模型替代方案。

當(dāng)前擴(kuò)散模型的采樣方法通常需要數(shù)十到數(shù)百個(gè)連續(xù)步驟才能生成單個(gè)樣本，這限制了其實(shí)時(shí)應(yīng)用的效率和可擴(kuò)展性。

與逐步通過大量去噪步驟生成樣本的擴(kuò)散模型不同，它旨在一步直接將噪聲轉(zhuǎn)換為無噪聲樣本。

OpenAI最新這項(xiàng)研究提出了一種改進(jìn)連續(xù)時(shí)間一致性模型（Continuous-time Consistency Models）的綜合方法，主要包含題目中提到的三個(gè)關(guān)鍵點(diǎn)：簡(jiǎn)化、穩(wěn)定和擴(kuò)展。

論文指出，現(xiàn)有一致性模型主要采用離散時(shí)間步訓(xùn)練，這種方法會(huì)引入額外的超參數(shù)并容易產(chǎn)生離散化誤差。盡管連續(xù)時(shí)間公式可以避免這些問題，但之前的工作中連續(xù)時(shí)間一致性模型始終面臨訓(xùn)練不穩(wěn)定的挑戰(zhàn)。

為此，論文首先提出了TrigFlow，巧妙地統(tǒng)一了EDM（Exponential Diffusion Model）和Flow Matching兩種方法。

TrigFlow使擴(kuò)散過程、擴(kuò)散模型參數(shù)化、PF-ODE、擴(kuò)散訓(xùn)練目標(biāo)和一致性模型參數(shù)化都能夠擁有簡(jiǎn)潔的表達(dá)式，如下所示。

在此基礎(chǔ)上，研究人員深入分析了導(dǎo)致訓(xùn)練連續(xù)時(shí)間一致性模型不穩(wěn)定的原因。

在TrigFlow框架的基礎(chǔ)上引入了幾項(xiàng)理論上的改進(jìn)，重點(diǎn)是參數(shù)化、網(wǎng)絡(luò)架構(gòu)和訓(xùn)練目標(biāo)。

連續(xù)時(shí)間一致性模型訓(xùn)練的關(guān)鍵是：

取決于：

經(jīng)過進(jìn)一步分析，研究人員發(fā)現(xiàn)不穩(wěn)定源自于時(shí)間導(dǎo)數(shù)：

并據(jù)此提出了三個(gè)關(guān)鍵改進(jìn)：

• 采用恒等時(shí)間變換c_noise(t)=t代替原有的對(duì)數(shù)正切變換，避免了t接近π/2時(shí)的數(shù)值不穩(wěn)定性；
• 使用位置時(shí)間嵌入替代傅里葉嵌入，減少了導(dǎo)數(shù)震蕩；
• 引入自適應(yīng)雙重歸一化層替代AdaGN，在保持模型表達(dá)能力的同時(shí)提高了訓(xùn)練穩(wěn)定性。

此外，論文還改進(jìn)了訓(xùn)練目標(biāo)，包括切向量歸一化和自適應(yīng)權(quán)重等技術(shù)。

以上種種改進(jìn)使得研究人員成功將時(shí)間一致性模型的訓(xùn)練規(guī)模擴(kuò)展到15億參數(shù)，并在多個(gè)基準(zhǔn)數(shù)據(jù)集上表現(xiàn)優(yōu)異。

CIFAR-10上的FID（越低越好）為2.06，ImageNet 64×64上為1.48，ImageNet 512×512上為1.88。

特別值得注意的是，這些模型只需要兩步采樣就能達(dá)到接近最好的擴(kuò)散模型的生成質(zhì)量（FID差距在10%以內(nèi)），而計(jì)算開銷僅為后者的10%。

研究人員還比較了改進(jìn)后的一致性模型與變分分?jǐn)?shù)蒸餾（VSD）方法的區(qū)別，發(fā)現(xiàn)一致性模型能產(chǎn)生更多樣的樣本，并且在更高的引導(dǎo)水平下表現(xiàn)更好。

他們還有一個(gè)關(guān)鍵發(fā)現(xiàn)，隨著teacher擴(kuò)散模型的規(guī)模擴(kuò)大，sCM的改進(jìn)也呈比例增加。

用FID分?jǐn)?shù)的比率來衡量樣本質(zhì)量的相對(duì)差異在模型大小不同的規(guī)模上是一致的，這意味著當(dāng)模型規(guī)模增加時(shí)，樣本質(zhì)量的絕對(duì)差異會(huì)減小。

此外，增加sCM的采樣步驟可以進(jìn)一步減少質(zhì)量差距。

作者簡(jiǎn)介

路橙

去年在清華大學(xué)TSAIL實(shí)驗(yàn)室，在朱軍教授指導(dǎo)下獲得博士學(xué)位；2019年獲清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系學(xué)士學(xué)位。

現(xiàn)在他是OpenAI研究科學(xué)家，對(duì)大規(guī)模深度生成模型和強(qiáng)化學(xué)習(xí)算法感興趣。

喜歡在數(shù)學(xué)理論和實(shí)際應(yīng)用技巧之間找到理想的平衡點(diǎn)。

他對(duì)一致性模型、擴(kuò)散模型、歸一化流和基于能量的模型及其在圖像生成、3D 生成和強(qiáng)化學(xué)習(xí)中的應(yīng)用有豐富的研究經(jīng)驗(yàn)。

宋飏

宋飏在清華大學(xué)獲數(shù)學(xué)和物理學(xué)士學(xué)位后，在斯坦福大學(xué)獲得了計(jì)算機(jī)科學(xué)博士學(xué)位，導(dǎo)師Stefano Ermon。

其研究目標(biāo)是開發(fā)能夠理解、生成并處理多種形態(tài)高維數(shù)據(jù)的強(qiáng)大AI模型。

目前，宋飏專注于改進(jìn)生成模型，包括它們的訓(xùn)練方法、架構(gòu)設(shè)計(jì)、對(duì)齊、魯棒性、評(píng)估技巧及推理效率。

他對(duì)探索生成模型作為科學(xué)發(fā)現(xiàn)工具的潛力也很感興趣。