轉(zhuǎn)載自| 新智元
【導(dǎo)讀】在各種Diffusion「AI大畫家」中學(xué)習(xí)一番之后，這款全能型Diffusion要完成AIGC界的「大一統(tǒng)」！
Diffusion模型的最新進(jìn)展在許多生成任務(wù)中樹立了一個(gè)令人印象深刻的里程碑。諸如DALL·E 2、Imagen和Stable Diffusion（SD）等引人矚目的工作，引起了學(xué)術(shù)界和工業(yè)界的極大興趣。
不過，雖然這些模型表現(xiàn)驚艷，但基本都是專一于某一類任務(wù)，比如由給定文本生成圖像，而對(duì)于不同類型的任務(wù)，則往往需要專門單獨(dú)訓(xùn)練，或重新構(gòu)建新模型。
那么能不能在前人基礎(chǔ)上搞一個(gè)「全能型」的Diffusion，實(shí)現(xiàn)AIGC模型的大一統(tǒng)呢？有人就在努力沿著這個(gè)方向進(jìn)行探索，并已經(jīng)取得了進(jìn)展。這個(gè)來自伊利諾伊大學(xué)厄巴納-香檳分校、得克薩斯大學(xué)奧斯汀分校的聯(lián)合團(tuán)隊(duì)，試圖將現(xiàn)有的單流Diffusion擴(kuò)展為多流網(wǎng)絡(luò)，稱為Versatile Diffusion（VD），這是第一個(gè)統(tǒng)一的多流多模態(tài)Diffusion框架，是邁向通用生成性人工智能的一步。、
論文地址：https://arxiv.org/abs/2211.08332
Versatile Diffusion除了普通的文字生成圖像功能之外，還可以輸入圖像生成類似圖像，輸入圖像生成文字，輸入文字生成相似文字，圖片語義解耦編輯，輸入圖像及文字生成視頻，根據(jù)隱空間編輯圖像內(nèi)容等等。
未來的版本還將支持更多的模式，如語音、音樂、視頻和3D。據(jù)論文介紹，現(xiàn)已證明VD及其基礎(chǔ)框架具有以下優(yōu)勢(shì)：
[if !supportLists]a)?[endif]可以以具有競爭力的高質(zhì)量處理所有子任務(wù)。
[if !supportLists]b)?[endif]支持新的擴(kuò)展和應(yīng)用，如圖形風(fēng)格和語義的分離、圖像-文本雙引導(dǎo)生成等。c) 通過這些實(shí)驗(yàn)和應(yīng)用，為生成的輸出提供了更豐富的語義洞察力。
在訓(xùn)練數(shù)據(jù)集方面，VD使用帶有自定義數(shù)據(jù)過濾器的Laion2B-en作為主要數(shù)據(jù)集。
1
『首次探索』
VD的一個(gè)令人興奮的發(fā)現(xiàn)是，它可以從語義中增強(qiáng)或減少圖像風(fēng)格，而無需進(jìn)一步監(jiān)督。
這樣的現(xiàn)象激發(fā)作者去探索一個(gè)全新的領(lǐng)域，其中，風(fēng)格和語義之間的分離可以發(fā)生在具有任意風(fēng)格和任意內(nèi)容的圖像上。
作者表示，他們是第一個(gè)探索：a）在沒有領(lǐng)域規(guī)范的情況下，對(duì)自然圖像的語義和風(fēng)格進(jìn)行解讀；b）擴(kuò)散模型潛在空間上的語義和風(fēng)格分解的團(tuán)隊(duì)。
在下圖中，作者首先生成輸入圖像的變體，然后以語義（左邊）或風(fēng)格（右邊）為重點(diǎn)對(duì)其進(jìn)行操作。
由于VD同時(shí)支持圖像到文本和文本到圖像，因此作者團(tuán)隊(duì)第一次嘗試了通過以下步驟從文本提示的角度編輯圖像：a）將圖像轉(zhuǎn)換成文本，b）編輯文本，c）將文本轉(zhuǎn)換回圖像。
在實(shí)驗(yàn)中作者從圖像中刪除了描述的內(nèi)容，然后用這種圖像-文本-圖像（I2T2I）范式添加新的內(nèi)容。與繪畫或其他需要物體位置作為輸入的圖像編輯方法不同，VD的I2T2I不需要掩碼，因?yàn)樗梢园凑罩噶钭詣?dòng)定位和替換物體。不過，I2T2I的輸出圖像與輸入圖像的像素不一致，這是由于圖像到文本的語義提煉和文本到圖像的內(nèi)容創(chuàng)建造成的。
在下圖的展示中，輸入的圖像首先被翻譯成prompt，然后用減法（紅框）和加法（綠框）對(duì)prompt進(jìn)行編輯。最后，編輯后的prompt被翻譯成圖像。
此外，他們也是第一個(gè)探索基于給定的文字去生成相似文字的團(tuán)隊(duì)。
2
『網(wǎng)絡(luò)框架』
具體來說，文中提出的VD框架是一個(gè)多流網(wǎng)絡(luò)，有各種類型的數(shù)據(jù)作為輸入和背景。
VD多流多模態(tài)diffusion框架繼承了LDM/SD的優(yōu)點(diǎn)，具有可解釋的潛在空間、模態(tài)化結(jié)構(gòu)和較低的計(jì)算成本。
VD可以聯(lián)合訓(xùn)練多個(gè)流，每個(gè)流代表一個(gè)跨模式的任務(wù)。其核心設(shè)計(jì)是diffuser網(wǎng)絡(luò)內(nèi)的分組、共享和交換協(xié)議，使框架適應(yīng)所有支持的任務(wù)和其他任務(wù)。
diffuser分為三組：全局層、數(shù)據(jù)層和語境層。全局層是時(shí)間嵌入層，數(shù)據(jù)層是剩余塊，而語境層是交叉關(guān)注。
這種分組與層的功能相對(duì)應(yīng)。當(dāng)處理多個(gè)任務(wù)時(shí)，全局層在所有任務(wù)中共享。數(shù)據(jù)層和語境層包含多個(gè)數(shù)據(jù)流。每個(gè)數(shù)據(jù)流都可以根據(jù)當(dāng)前的數(shù)據(jù)和上下文類型進(jìn)行共享或交換。
比如，當(dāng)處理文本-圖像請(qǐng)求時(shí)，diffuser使用圖像數(shù)據(jù)層與文本語境層。當(dāng)處理圖像變異任務(wù)時(shí)，則使用圖像數(shù)據(jù)層與圖像語境層。
單個(gè)VD流程包含一個(gè)VAE、一個(gè)diffuser和一個(gè)語境編碼器，在一個(gè)數(shù)據(jù)類型（如圖像）和一個(gè)語境類型（如文本）下處理一個(gè)任務(wù)（如文本轉(zhuǎn)圖像）。
Versatile Diffusion的多流結(jié)構(gòu)如下圖所示：
?
研究人員基于Versatile Diffusion，進(jìn)一步提出了一個(gè)通用的多流多模態(tài)框架，其中包括VAE、上下文編碼器和包含三層（即全局、數(shù)據(jù)和語境層）的diffuser。
Diffuser：
VD使用已被廣泛采用的交叉關(guān)注的UNet作為diffuser網(wǎng)絡(luò)的主要架構(gòu)，將層分為全局層、數(shù)據(jù)層和語境層。其中數(shù)據(jù)層和語境層有兩個(gè)數(shù)據(jù)流來支持圖像和文本。
對(duì)于圖像數(shù)據(jù)流，遵循LDM并使用殘差塊（ResBlock），其空間維度逐漸減少，通道數(shù)逐漸增加。
對(duì)于文本數(shù)據(jù)流，利用新的全連接殘差塊（FCResBlock），將768維的文本潛伏向量擴(kuò)展為320*4的隱藏特征，并遵循類似的通道增加范式，再利用GroupNorms、SiLU和跳過連接，就像普通的ResBlock一樣。
如上圖所示，F(xiàn)CResBlock包含兩組全連接層（FC）、分組歸一化（GN）和sigmoid線性單元（SiLU）。x是輸入文本潛伏代碼，t是輸入時(shí)間嵌入，hi是中間特征。
對(duì)于語境組，圖像和語境流都采用交叉注意力層，其中內(nèi)容嵌入通過投影層、點(diǎn)積和sigmoids來操作數(shù)據(jù)特征。
變分自編碼器（VAE）：
VD采用此前的潛在擴(kuò)散模型（Latent Diffusion Model，LDM）的自編碼器-KL作為圖像數(shù)據(jù)VAE，采用Optimus作為文本數(shù)據(jù)VAE。Optimus由BERT文本編碼器和GPT2文本解碼器組成，可以將句子雙向轉(zhuǎn)化為768維正態(tài)分布的潛在向量。
同時(shí)，Optimus還以其可重構(gòu)和可解釋的文本潛空間顯示出令人滿意的VAE特性。因此選擇Optimus作為文本VAE，因?yàn)樗浅７隙嗔鞫嗄B(tài)框架的前提條件。語境編碼器（Context Encoder）：
VD使用CLIP文本和圖像編碼器作為上下文編碼器。與只使用原始文本嵌入作為語境輸入的LDM和SD不同，VD使用歸一化和投影嵌入，使文本和圖像的CLIP對(duì)比損失最小化。
實(shí)驗(yàn)表明，上下文類型之間更接近的嵌入空間有助于模型快速收斂，表現(xiàn)更好。類似的結(jié)論也可以在DALL·E 2中實(shí)現(xiàn)，DALL·E 2用額外的投影層來微調(diào)文本到圖像的模型，以最小化文本和圖像嵌入之間的差異，用于圖像變化。
3
『性能表現(xiàn)』
作者將早期的單任務(wù)模型作為基線模型，并將VD的結(jié)果與這些基線進(jìn)行比較。其中，SDv1.4作為文本到圖像的基線模型，SD-variation用于圖像-變體，而BLIP用于圖像-文本。
同時(shí)，作者還對(duì)不同的VD模型進(jìn)行了定性比較，其中VDDC和VD-of?cial用于文本到圖像，所有三個(gè)模型用于圖像變體。
其中SD和VD的圖像樣本是用受控的隨機(jī)種子生成的，以便更好地檢查質(zhì)量。
文本到圖像的性能
雖然DALLE 2和Imagen在這些任務(wù)上也取得了SOTA，但由于沒有公開的代碼或訓(xùn)練細(xì)節(jié)，因此作者跳過了對(duì)它們的比較。
結(jié)果顯示，多流程結(jié)構(gòu)和多任務(wù)訓(xùn)練可以幫助VD捕獲上下文語義并更精確地生成輸出，并出色地完成了所有的子任務(wù)。
圖像-變體的性能
此外，由VD生成的圖像標(biāo)注還包含了一些創(chuàng)造性的詞語。相比起來，BLIP的生成就很短，缺乏對(duì)細(xì)節(jié)的描述。
圖像到文本的性能
4
『效果展示』
文生圖
圖像變體
以語義為重點(diǎn)的圖像變體
雙引導(dǎo)
5
『總結(jié)』
作者介紹了Versatile Diffusion（VD），一個(gè)多流的多模態(tài)diffusion網(wǎng)絡(luò)，在一個(gè)統(tǒng)一的模型中解決了文本、圖像和變化。在VD的基礎(chǔ)上，作者進(jìn)一步介紹了一個(gè)通用的多流多模態(tài)框架，其中可以涉及新的任務(wù)和領(lǐng)域。
通過實(shí)驗(yàn)，作者發(fā)現(xiàn)VD在所有支持的任務(wù)上都能產(chǎn)生高質(zhì)量的輸出，其中VD的文本到圖像和圖像到變體的結(jié)果能更好地捕捉上下文中的語義，VD的圖像到文本的結(jié)果具有創(chuàng)造性和說明性。
鑒于VD的多流多模態(tài)屬性，作者引入了新穎的擴(kuò)展和應(yīng)用，可能會(huì)使從事這項(xiàng)技術(shù)的下游用戶進(jìn)一步受益。
