最近一年來，以 Stable Diffusion 為代表的一系列文生圖擴散模型徹底改變了視覺創作領域。數不清的用戶通過擴散模型產生的圖片提升生產力。但是，擴散模型的生成速度是一個老生常談的問題。因為降噪模型依賴于多步降噪來逐漸將初始的高斯噪音變為圖片，因此需要對網絡多次計算，導致生成速度很慢。這導致大規模的文生圖擴散模型對一些注重實時性，互動性的應用非常不友好。隨著一系列技術的提出，從擴散模型中采樣所需的步數已經從最初的幾百步，到幾十步，甚至只需要 4-8 步。

最近，來自谷歌的研究團隊提出了 UFOGen 模型，一種能極速采樣的擴散模型變種。通過論文提出的方法對 Stable Diffusion 進行微調，UFOGen 只需要一步就能生成高質量的圖片。與此同時，Stable Diffusion 的下游應用，比如圖生圖，ControlNet 等能力也能得到保留。

論文鏈接：https://arxiv.org/abs/2311.09257

從下圖可以看到，UFOGen 只需一步即可生成高質量，多樣的圖片。

提升擴散模型的生成速度并不是一個新的研究方向。之前關于這方面的研究主要集中在兩個方向。一個方向是設計更高效的數值計算方法，以求能達到利用更少的離散步數求解擴散模型的采樣 ODE 的目的。比如清華的朱軍團隊提出的 DPM 系列數值求解器，被驗證在 Stable Diffusion 上非常有效，能顯著地把求解步數從 DDIM 默認的 50 步降到 20 步以內。另一個方向是利用知識蒸餾的方法，將模型的基于 ODE 的采樣路徑壓縮到更小的步數。這個方向的例子是 CVPR2023 最佳論文候選之一的 Guided distillation，以及最近大火的 Latent Consistency Model （LCM）。尤其是 LCM，通過對一致性目標進行蒸餾，能夠將采樣步數降到只需 4 步，由此催生了不少實時生成的應用。

然而，谷歌的研究團隊在 UFOGen 模型中并沒有跟隨以上大方向，而是另辟蹊徑，利用了一年多前提出的擴散模型和 GAN 的混合模型思路。他們認為前面提到的基于 ODE 的采樣和蒸餾有其根本的局限性，很難將采樣步數壓縮到極限。因此想實現一步生成的目標，需要打開新的思路。

擴散模型和 GAN 的混合模型最早是英偉達的研究團隊在 ICLR 2022 上提出的 DDGAN（《Tackling the Generative Learning Trilemma with Denoising Diffusion GANs》）。其靈感來自于普通擴散模型對降噪分布進行高斯假設的根本缺陷。簡單來說，擴散模型假設其降噪分布（給定一個加了噪音的樣本，對噪音含量更少的樣本的條件分布）是一個簡單的高斯分布。然而，隨機微分方程理論證明這樣的假設只在降噪步長趨于 0 的時候成立，因此擴散模型需要大量重復的降噪步數來保證小的降噪步長，導致很慢的生成速度。

DDGAN 提出拋棄降噪分布的高斯假設，而是用一個帶條件的 GAN 來模擬這個降噪分布。因為 GAN 具有極強的表示能力，能模擬復雜的分布，所以可以取較大的降噪步長來達到減少步數的目的。然而，DDGAN 將擴散模型穩定的重構訓練目標變成了 GAN 的訓練目標，很容易造成訓練不穩定，從而難以延伸到更復雜的任務。在 NeurIPS 2023 上，和創造 UGOGen 的同樣的谷歌研究團隊提出了 SIDDM（論文標題 Semi-Implicit Denoising Diffusion Models），將重構目標函數重新引入了 DDGAN 的訓練目標，使訓練的穩定性和生成質量都相比于 DDGAN 大幅提高。

SIDDM 作為 UFOGen 的前身，只需要 4 步就能在 CIFAR-10, ImageNet 等研究數據集上生成高質量的圖片。但是 SIDDM 有兩個問題需要解決：首先，它不能做到理想狀況的一步生成；其次，將其擴展到更受關注的文生圖領域并不簡單。為此，谷歌的研究團隊提出了 UFOGen，解決這兩個問題。

具體來說，對于問題一，通過簡單的數學分析，該團隊發現通過改變生成器的參數化方式，以及改變重構損失函數計算的計算方式，理論上模型可以實現一步生成。對于問題二，該團隊提出利用已有的 Stable Diffusion 模型進行初始化來讓 UFOGen 模型更快更好的擴展到文生圖任務上。值得注意的是，SIDDM 就已經提出讓生成器和判別器都采用 UNet 架構，因此基于該設計，UFOGen 的生成器和判別器都是由 Stable Diffusion 模型初始化的。這樣做可以最大限度地利用 Stable Diffusion 的內部信息，尤其是關于圖片和文字的關系的信息。這樣的信息很難通過對抗學習來獲得。訓練算法和圖示見下。

值得注意的是，在這之前也有一些利用 GAN 做文生圖的工作，比如英偉達的 StyleGAN-T，Adobe 的 GigaGAN，都是將 StyleGAN 的基本架構擴展到更大的規模，從而也能一步文生圖。UFOGen 的作者指出，比起之前基于 GAN 的工作，除了生成質量外，UFOGen 還有幾點優勢：

1. 純粹的 GAN 訓練非常不穩定，尤其是對文生圖任務來說，判別器不但需要判別圖片的紋理，還需要理解圖片和文字的匹配程度，而這是十分困難的任務，尤其在訓練早期。因此，之前的 GAN 模型比如 GigaGAN，引入大量的輔助 loss 來幫助訓練，這使得訓練和調參變得異常困難。UFOGen 因為有重構損失，GAN 在這里起到輔助作用，因此訓練非常穩定。

2. 直接從頭開始訓練 GAN 除了不穩定還異常昂貴，尤其是在文生圖這樣需要大量數據和訓練步數的任務下。因為需要同時更新兩組參數，GAN 的訓練比擴散模型來說消耗的時間和內存都更大。UFOGen 的創新設計能從 Stable Diffusion 中初始化參數，大大節約了訓練時間。通常收斂只需要幾萬步訓練。

3. 文生圖擴散模型的一大魅力在于能適用于其他任務，包括不需要微調的應用比如圖生圖，已經需要微調的應用比如可控生成。之前的 GAN 模型很難擴展到這些下游任務，因為微調 GAN 一直是個難題。相反，UFOGen 擁有擴散模型的框架，因此能更簡單地應用到這些任務上。下圖展示了 UFOGen 的圖生圖以及可控生成的例子，注意這些生成也只需要一步采樣。

實驗表明，UFOGen 只需一步采樣便可以生成高質量的，符合文字描述的圖片。在和近期提出的針對擴散模型的高速采樣方法的對比中（包括 Instaflow，以及大火的 LCM），UFOGen 展示出了很強的競爭力。甚至和 50 步采樣的 Stable Diffusion 相比，UFOGen 生成的樣本在觀感上也沒有表現得更弱。下面是一些對比結果：

總結

通過提升現有的擴散模型和 GAN 的混合模型，谷歌團隊提出了強大的能實現一步文生圖的 UFOGen 模型。該模型可以由 Stable Diffusion 微調而來，在保證一步文生圖能力的同時，還能適用于不同的下游應用。作為實現超快速文本到圖像合成的早期工作之一，UFOGen 為高效率生成模型領域開啟了一條新道路。