Stable Diffusion 3論文終于發布，架構細節大揭秘，對復現Sora有幫助？
Stable Diffusion 3 的論文終于來了！
這個模型于兩周前發布，采用了與 Sora 相同的 DiT（Diffusion Transformer）架構，一經發布就引起了不小的轟動。
與之前的版本相比，Stable Diffusion 3 生成的圖在質量上實現了很大改進，支持多主題提示，文字書寫效果也更好了（明顯不再亂碼）。
Stability AI 表示，Stable Diffusion 3 是一個模型系列，參數量從 800M 到 8B 不等。這個參數量意味著，它可以在很多便攜式設備上直接跑，大大降低了 AI 大模型的使用門檻。
在最新發布的論文中，Stability AI 表示，在基于人類偏好的評估中，Stable Diffusion 3 優于當前最先進的文本到圖像生成系統，如 DALL?E 3、Midjourney v6 和 Ideogram v1。不久之后，他們將公開該研究的實驗數據、代碼和模型權重。
在論文中，Stability AI 透露了關于 Stable Diffusion 3 的更多細節。
- 論文標題：Scaling Rectified Flow Transformers for High-Resolution Image Synthesis
- 論文鏈接：https://stabilityai-public-packages.s3.us-west-2.amazonaws.com/Stable+Diffusion+3+Paper.pdf
架構細節
對于文本到圖像的生成，Stable Diffusion 3 模型必須同時考慮文本和圖像兩種模式。因此，論文作者稱這種新架構為 MMDiT，意指其處理多種模態的能力。與之前版本的 Stable Diffusion 一樣，作者使用預訓練模型來推導合適的文本和圖像表征。具體來說，他們使用了三種不同的文本嵌入模型 —— 兩種 CLIP 模型和 T5—— 來編碼文本表征，并使用改進的自編碼模型來編碼圖像 token。
Stable Diffusion 3 模型架構。
改進的多模態擴散 transformer：MMDiT 塊。
SD3 架構基于 Sora 核心研發成員 William Peebles 和紐約大學計算機科學助理教授謝賽寧合作提出的 DiT。由于文本嵌入和圖像嵌入在概念上有很大不同，因此 SD3 的作者對兩種模態使用兩套不同的權重。如上圖所示，這相當于為每種模態設置了兩個獨立的 transformer，但將兩種模態的序列結合起來進行注意力運算，從而使兩種表征都能在各自的空間內工作，同時也將另一種表征考慮在內。
在訓練過程中測量視覺保真度和文本對齊度時，作者提出的 MMDiT 架構優于 UViT 和 DiT 等成熟的文本到圖像骨干。
通過這種方法，信息可以在圖像和文本 token 之間流動，從而提高模型的整體理解能力，并改善所生成輸出的文字排版。正如論文中所討論的那樣，這種架構也很容易擴展到視頻等多種模式。
得益于 Stable Diffusion 3 改進的提示遵循能力，新模型有能力制作出聚焦于各種不同主題和質量的圖像，同時還能高度靈活地處理圖像本身的風格。
通過 re-weighting 改進 Rectified Flow
Stable Diffusion 3 采用 Rectified Flow（RF）公式，在訓練過程中，數據和噪聲以線性軌跡相連。這使得推理路徑更加平直，從而減少了采樣步驟。此外，作者還在訓練過程中引入了一種新的軌跡采樣計劃。他們假設，軌跡的中間部分會帶來更具挑戰性的預測任務，因此該計劃給予軌跡中間部分更多權重。他們使用多種數據集、指標和采樣器設置進行比較，并將自己提出的方法與 LDM、EDM 和 ADM 等 60 種其他擴散軌跡進行了測試。結果表明，雖然以前的 RF 公式在少步采樣情況下性能有所提高，但隨著步數的增加，其相對性能會下降。相比之下，作者提出的重新加權 RF 變體能持續提高性能。
擴展 Rectified Flow Transformer 模型
作者利用重新加權的 Rectified Flow 公式和 MMDiT 骨干對文本到圖像的合成進行了擴展（scaling）研究。他們訓練的模型從帶有 450M 個參數的 15 個塊到帶有 8B 個參數的 38 個塊不等，并觀察到驗證損失隨著模型大小和訓練步驟的增加而平穩降低（上圖的第一行）。為了檢驗這是否轉化為對模型輸出的有意義改進，作者還評估了自動圖像對齊指標（GenEval）和人類偏好分數（ELO）（上圖第二行）。結果表明，這些指標與驗證損失之間存在很強的相關性，這表明后者可以很好地預測模型的整體性能。此外，scaling 趨勢沒有顯示出飽和的跡象，這讓作者對未來繼續提高模型性能持樂觀態度。
靈活的文本編碼器
通過移除用于推理的內存密集型 4.7B 參數 T5 文本編碼器，SD3 的內存需求可顯著降低，而性能損失卻很小。如圖所示，移除該文本編碼器不會影響視覺美感（不使用 T5 時的勝率為 50%），只會略微降低文本一致性（勝率為 46%）。不過，作者建議在生成書面文本時加入 T5，以充分發揮 SD3 的性能，因為他們觀察到，如果不加入 T5，生成排版的性能下降幅度更大（勝率為 38%），如下圖所示：
只有在呈現涉及許多細節或大量書面文本的非常復雜的提示時，移除 T5 進行推理才會導致性能顯著下降。上圖顯示了每個示例的三個隨機樣本。
模型性能
作者將 Stable Diffusion 3 的輸出圖像與其他各種開源模型（包括 SDXL、SDXL Turbo、Stable Cascade、Playground v2.5 和 Pixart-α）以及閉源模型（如 DALL-E 3、Midjourney v6 和 Ideogram v1）進行了比較，以便根據人類反饋來評估性能。在這些測試中，人類評估員從每個模型中獲得輸出示例，并根據模型輸出在多大程度上遵循所給提示的上下文（prompt following）、在多大程度上根據提示渲染文本（typography）以及哪幅圖像具有更高的美學質量（visual aesthetics）來選擇最佳結果。
以 SD3 為基準，這個圖表概述了它在基于人類對視覺美學、提示遵循和文字排版的評估中的勝率。
從測試結果來看，作者發現 Stable Diffusion 3 在上述所有方面都與當前最先進的文本到圖像生成系統相當，甚至更勝一籌。
在消費級硬件上進行的早期未優化推理測試中，最大的 8B 參數 SD3 模型適合 RTX 4090 的 24GB VRAM，使用 50 個采樣步驟生成分辨率為 1024x1024 的圖像需要 34 秒。
此外，在最初發布時，Stable Diffusion 3 將有多種變體，從 800m 到 8B 參數模型不等，以進一步消除硬件障礙。
更多細節請參考原論文。
參考鏈接：https://stability.ai/news/stable-diffusion-3-research-paper
