超越扩散模型！度小满、中科大等联合提出全新自回归通用文生图模型

项目网站：

https://krennic999.github.io/STAR/

论文链接： 

https://arxiv.org/pdf/2406.10797

背景介绍

通用文本引导图像生成领域近年受到广泛关注，在二次创作， 虚拟试穿和原型设计领域得到广泛应用。艺术家和设计师利用它重新构思和创新现有作品。消费者通过生成图像预览服装和配饰，提升购物体验。设计师能快速生成产品概念图，节省时间和资源。尤其扩散模型（Diffusion）由于其高质量和多元的生成，在文生图领域占有主导地位。通过逐步的去噪过程，为图像生成提供了更强的稳定性和可控性，然而也导致生成过程及其耗时。

自回归（Auto-regressive，AR）模型通过离散视觉编码器（VQ-VAE，d-VAE 等）将图像转化为离散 token，训练模型按顺序逐个预测新的 token，预测的整个 token map 解码即可得到生成的图像。

受大语言模型的启发，自回归模型在这一领域的应用也逐渐被探索，然而性能仍落后于扩散模型。VAR 指出是因为自回归模型逐个预测 token 的行为不符合图像模态的特点，提出 “next-scale prediction” 范式，将视觉自回归建模为逐个预测更大尺度 scale 的 token map，具体来说，next-scale prediction 基于一系列不同尺度的二维离散 token maps（），在较低分辨率 token map 的基础上逐步生成更高分辨率的 token map：

这一方式避免了原始基于 next-token 的自回归方案难以建模图像模态的问题，重新为视觉生成定义了新的自回归范式，从而使得生成的图像具有更高的真实度。

这一方法有效地建模了离散图像 token 的二维相关性，然而其仅局限于有限类别引导的生成，无法泛化到未知的实体和概念，除此之外采用的绝对可学习位置编码，导致额外的学习参数，限制了高分辨图像生成的潜力。

为了探索这种新的生成范式在文本控制生成这一开放集任务的表现，作者提出基于尺度的文生图自回归模型 STAR，重新思考 VAR 中的 “next-scale prediction” 范式，以获得性能更好、效率更高的通用文生图模型，为目前扩散模型支配的文生图领域带来新的看法。

方法核心

具体来说，所提出的 STAR 包括两部分：增强的文本引导和改进的位置编码，以高效地实现高质量图像生成：

增强的文本引导

为了更好地处理各种复杂的文本描述并生成相应的图像，研究者提出几项关键解决方案：

1）文本特征作为起始 token map，根据起始 token map 生成更高分辨率的 token map 这不仅增强了模型对新文本场景的适应性，确保模型可以泛化到新的文本提示，从整体上保证了文本描述与生成图像之间的一致性

2）在每个 transformer 层引入交叉注意力机制，从更精细的粒度控制图像生成，使得生成的图像更加精确地贴合文本。

具体网络结构如下：

归一化旋转位置编码（Normalized RoPE）

对于 next-scale prediction 范式，如何利用同一个 transformer 生成不同尺度的 token map 是一个重要的问题，随之而来的是如何编码这些 token map 中的 tokens 的位置。

传统的正余弦编码难以处理不同尺度的 token map，同时编码多个尺度容易导致尺度之间的混淆。可学习的绝对位置编码需要为每个尺度的 token map 学习对应的位置编码，导致额外的学习参数，提升了训练难度，尤其是大尺度情况下的训练变得更加困难；除此之外固定个数的位置编码限制了更大分辨率图像生成的可能。

研究者提出二维的归一化旋转位置编码（Normalized RoPE），具体来说，对于一个 scale 的 token map ，对于位置 ，归一化的 RoPE 计算可表示为：

任意 token 间的相对位置被归一化到统一的尺度 ，从而确保了对不同尺度的 token map 中的相对位置有统一的理解，避免对不同尺度位置同时编码的混淆，更好地适配 scale-prediction 任务。除此之外，这一新的位置编码不需要额外的参数，更易于训练，为更高分辨率图像生成提供了潜在的可能。

训练策略

研究者选择先在 256*256 图像上以较大的 batch size 训练生成，随后在 512*512 图像上微调，以获得 512 的生成结果。由于归一化位置编码，模型很快收敛，仅需少量微调即可生成高质量 512 分辨率图像。

实验结果

相比目前的方法，所提出的 STAR 在 FID，CLIP score 和 ImageReward 上表现优异，体现了 STAR 良好的生成真实度，图文一致性和人类偏好。除此之外，STAR 生成一张 512 分辨率的高质量图像仅需约 2.9 秒，相比现有的扩散文生图模型具有显著优势。

具体地，在 MJHQ-30k 上的 FID 达到 4.73，超越了 PixArt- 等模型；CLIP score 达到 0.291，与 SDXL 相当：

在 ImageReward benchmark 上，STAR 达到了 0.87 的 image reward，与领先的 PixArt- 相当：

相比现有的方法，STAR 可以生成多元的图像类型，在人物摄影、艺术绘画、静物、风景等场景下均能获得很好的效果，生成的人脸、毛发、材质达到了令人惊叹的细节：

结论

STAR 基于 scale-wise 自回归的方式，解决了 VAR 中存在的引导条件有限、位置编码不合理的问题，实现了更高效、性能更好的文本引导图像生成。

广泛的实验证明，所提出的方法在生成图像真实度、图文一致性和人类偏好上均表现优秀。仅需约 2.9 秒的时间内，在 512 分辨率图像生成上，实现超越先进的文生图扩散模型（PixArt-、Playground、SDXL 等）的性能。

总的来说，基于自回归的 STAR 为目前 diffusion 支配的文本控制图像生成领域提供了新的可能，具有里程碑意义。

更多阅读

#投 稿 通 道#

 让你的文字被更多人看到 

如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。

总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。 

PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个，让知识真正流动起来。

📝 稿件基本要求：

• 文章确系个人原创作品，未曾在公开渠道发表，如为其他平台已发表或待发表的文章，请明确标注 

• 稿件建议以 markdown 格式撰写，文中配图以附件形式发送，要求图片清晰，无版权问题

• PaperWeekly 尊重原作者署名权，并将为每篇被采纳的原创首发稿件，提供业内具有竞争力稿酬，具体依据文章阅读量和文章质量阶梯制结算

📬 投稿通道：

• 投稿邮箱：[e-mail] 

• 来稿请备注即时联系方式（微信），以便我们在稿件选用的第一时间联系作者

• 您也可以直接添加小编微信（pwbot02）快速投稿，备注：姓名-投稿

△长按添加PaperWeekly小编

🔍

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

·

·

·