超越擴散模型！自回歸範式在圖像生成領域再次被驗證——
中科大、哈工大、度小滿等機構提出通用文生圖模型STAR。
僅需2.9秒就可生成高質量圖像，超越當前一眾包括SDXL在內擴散模型的性能。
此外在生成圖像真實度、圖文一致性和人類偏好上均表現優秀。
來看看具體是如何做到的？
自回歸通用文生圖模型STAR
擴散模由於其高質量和多元的生成，一度在文生圖領域占有主導地位。
它通過逐步的去噪過程，為圖像生成提供了更強的穩定性和可控性，然而也導致生成過程極其耗時。
而自回歸模型的潛力，在受到大語言模型啟發下，開始在這一領域逐漸被探索。
比如VAR指出是因為自回歸模型逐個預測token的行為不符合圖像模態的特點，提出「next-scale prediction」範式，將視覺自回歸建模為逐個預測更大尺度scale的token map。這一方式避免了原始基於next-token的自回歸方案難以建模圖像模態的問題，重新為視覺生成定義了新的自回歸範式，從而使得生成的圖像具有更高的真實度，不過仍然有很多局限，性能仍落後於擴散模型。
作者提出基於尺度的文生圖自回歸模型STAR，重新思考VAR中的「next-scale prediction」範式。
具體來說，所提出的STAR包括兩部分：
增強的文本引導和改進的位置編碼，以高效地實現高質量圖像生成。
增強的文本引導
為了更好地處理各種復雜的文本描述並生成相應的圖像，研究者提出幾項關鍵解決方案：
1、文本特征作為起始token map，根據起始token map生成更高分辨率的token map這不僅增強了模型對新文本場景的適應性，確保模型可以泛化到新的文本提示，從整體上保證了文本描述與生成圖像之間的一致性
2、在每個transformer層引入交叉註意力機製，從更精細的粒度控製圖像生成，使得生成的圖像更加精確地貼合文本。
具體網絡格式如下：
歸一化旋轉位置編碼（Normalized RoPE）
對於next-scale prediction範式，如何利用同一個transformer生成不同尺度的token map是一個重要的問題，隨之而來的是如何編碼這些token map中的tokens的位置。
傳統的正余弦編碼難以處理不同尺度的token map，同時編碼多個尺度容易導致尺度之間的混淆。
可學習的絕對位置編碼需要為每個尺度的token map學習對應的位置編碼，導致額外的學習參數，提升了訓練難度，尤其是大尺度情況下的訓練變得更加困難；除此之外固定個數的位置編碼限製了更大分辨率圖像生成的可能。
研究者提出二維的歸一化旋轉位置編碼（Normalized RoPE）
除此之外，這一新的位置編碼不需要額外的參數，更易於訓練，為更高分辨率圖像生成提供了潛在的可能。
訓練策略
研究者選擇先在256*256圖像上以較大的batch size訓練生成，隨後在512*512圖像上微調，以獲得512的生成結果。由於歸一化位置編碼，模型很快收斂，僅需少量微調即可生成高質量512分辨率圖像。
相比目前的方法，所提出的STAR在FID，CLIP score和ImageReward上表現優異，體現了STAR良好的生成真實度，圖文一致性和人類偏好。除此之外，STAR生成一張512分辨率的高質量圖像僅需約2.9秒，相比現有的擴散文生圖模型具有顯著優勢。
具體地，在MJHQ-30k上的FID達到4.73，超越了PixArt-α等模型；CLIP score達到0.291，與SDXL相當：
在ImageReward benchmark上，STAR達到了0.87的image reward，與領先的PixArt-α相當：
在人物攝影、藝術繪畫、靜物、風景等場景下均能獲得很好的效果，生成的人臉、毛發、材質達到了令人驚嘆的細節：
總的來說，STAR基於scale-wise自回歸的方式，解決了VAR中存在的引導條件有限、位置編碼不合理的問題，實現了更高效、性能更好的文本引導圖像生成。
廣泛的實驗證明，所提出的方法在生成圖像真實度、圖文一致性和人類偏好上均表現優秀。僅需約2.9秒的時間內，在512分辨率圖像生成上，實現超越先進的文生圖擴散模型（PixArt-α、Playground、SDXL等）的性能。
基於自回歸的STAR為目前diffusion支配的文本控製圖像生成領域提供了新的可能。---[STAR團隊 投稿自: 凹非寺*量子位: 公眾號 QbitAI/來源: 量子位]
項目網站：https://krennic999.github.io/STAR/
論文鏈接：https://arxiv.org/pdf/2406.10797
