劃重點
01OpenAI發(fā)布多模態(tài)模型實時生成研究，速度比擴散模型快50倍，僅用兩步采樣。
02研究團隊成功將連續(xù)時間一致性模型的訓(xùn)練規(guī)模擴展到了15億參數(shù)，實現(xiàn)了在512×512分辨率的ImageNet數(shù)據(jù)集上的訓(xùn)練。
03為此，研究人員提出了TrigFlow框架，統(tǒng)一了EDM和Flow Matching兩種方法，解決了訓(xùn)練不穩(wěn)定的挑戰(zhàn)。
04通過改進訓(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)，提高了訓(xùn)練穩(wěn)定性。
05實驗結(jié)果顯示，改進后的一致性模型在多個基準(zhǔn)數(shù)據(jù)集上表現(xiàn)優(yōu)異，F(xiàn)ID分數(shù)差距在10%以內(nèi)。
以上內(nèi)容由騰訊混元大模型生成，僅供參考
西風(fēng) 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI
兩位清華校友，在OpenAI發(fā)布最新研究
生成圖像，但速度是擴散模型的50倍。
路橙、宋再次簡化了一致性模型，僅用兩步采樣，就能使生成質(zhì)量與擴散模型相媲美。
他們成功將連續(xù)時間一致性模型的訓(xùn)練規(guī)模擴展到了前所未有的15億參數(shù)，并實現(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)生成一個樣本。
團隊還表示通過定制系統(tǒng)優(yōu)化，可以進一步加速，為實時生成圖像、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。
該項研究發(fā)布后得到大量網(wǎng)友點贊轉(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生成。
那么，sCM是如何實現(xiàn)的？
兩步采樣，50倍加速一致性模型是一種快速的擴散模型替代方案。
當(dāng)前擴散模型的采樣方法通常需要數(shù)十到數(shù)百個連續(xù)步驟才能生成單個樣本，這限制了其實時應(yīng)用的效率和可擴展性。
與逐步通過大量去噪步驟生成樣本的擴散模型不同，它旨在一步直接將噪聲轉(zhuǎn)換為無噪聲樣本。
OpenAI最新這項研究提出了一種改進連續(xù)時間一致性模型（Continuous-time Consistency Models）的綜合方法，主要包含題目中提到的三個關(guān)鍵點：簡化、穩(wěn)定和擴展。
論文指出，現(xiàn)有一致性模型主要采用離散時間步訓(xùn)練，這種方法會引入額外的超參數(shù)并容易產(chǎn)生離散化誤差。盡管連續(xù)時間公式可以避免這些問題，但之前的工作中連續(xù)時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使擴散過程、擴散模型參數(shù)化、PF-ODE、擴散訓(xùn)練目標(biāo)和一致性模型參數(shù)化都能夠擁有簡潔的表達式，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)上引入了幾項理論上的改進，重點是參數(shù)化、網(wǎng)絡(luò)架構(gòu)和訓(xùn)練目標(biāo)。
連續(xù)時間一致性模型訓(xùn)練的關(guān)鍵是：
取決于：
經(jīng)過進一步分析，研究人員發(fā)現(xiàn)不穩(wěn)定源自于時間導(dǎo)數(shù)：
并據(jù)此提出了三個關(guān)鍵改進：
采用恒等時間變換c_noise(t)=t代替原有的對數(shù)正切變換，避免了t接近π/2時的數(shù)值不穩(wěn)定性；
使用位置時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，在保持模型表達能力的同時提高了訓(xùn)練穩(wěn)定性。
此外，論文還改進了訓(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)。
以上種種改進使得研究人員成功將時間一致性模型的訓(xùn)練規(guī)模擴展到15億參數(shù)，并在多個基準(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到接近最好的擴散模型的生成質(zhì)量（FID差距在10%以內(nèi)），而計算開銷僅為后者的10%。
研究人員還比較了改進后的一致性模型與變分分數(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。
他們還有一個關(guān)鍵發(fā)現(xiàn)，隨著teacher擴散模型的規(guī)模擴大，sCM的改進也呈比例增加。
用FID分數(shù)的比率來衡量樣本質(zhì)量的相對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，樣本質(zhì)量的絕對差異會減校
此外，增加sCM的采樣步驟可以進一步減少質(zhì)量差距。
作者簡介路橙
去年在清華大學(xué)TSAIL實驗室，在朱軍教授指導(dǎo)下獲得博士學(xué)位；2019年獲清華大學(xué)計算機科學(xué)與技術(shù)系學(xué)士學(xué)位。
現(xiàn)在他是OpenAI研究科學(xué)家，對大規(guī)模深度生成模型和強化學(xué)習(xí)算法感興趣。
喜歡在數(shù)學(xué)理論和實際應(yīng)用技巧之間找到理想的平衡點。
他對一致性模型、擴散模型、歸一化流和基于能量的模型及其在圖像生成、3D 生成和強化學(xué)習(xí)中的應(yīng)用有豐富的研究經(jīng)驗。
宋
宋在清華大學(xué)獲數(shù)學(xué)和物理學(xué)士學(xué)位后，在斯坦福大學(xué)獲得了計算機科學(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)的強大AI模型。
目前，宋專注于改進生成模型，包括它們的訓(xùn)練方法、架構(gòu)設(shè)計、對齊、魯棒性、評估技巧及推理效率。
他對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。
參考鏈接：[1]https://x.com/OpenAI/status/1849139783362347293[2]https://luchengthu.github.io/[3]https://yang-song.net/
