论文阅读笔记——PixArt-α，PixArt-δ

PixArt-α

PixArt-α 论文
仅使用 28400 美元，28M 训练数据，训练时长为 SD 1.5 的 10.8%，只有 0.6B 参数量，达到接近商业应用的水准。
现有数据集存在的缺陷：图文匹配偏差、描述信息不完整、词汇多样性不足（长尾效应显著）、低质量数据。
为了实现低成本训练，华为采用了三阶段的训练策略：第一个阶段是学习像素依赖关系，简单来说是先学习生成真实的图像，这里是用ImageNet数据集训练一个基于类别的条件扩散模型；然后是学习文本和图像的对齐，即学习文本作为条件下的图像生成，这里的一个关键是采用 LVLM (Large Vision-Language Model) 来给图像生成更详细的文本描述；最后一个阶段是高质量微调，即采用高分辨率和高美学图像对模型进行微调。

由于 Transformer 块中有 3 个 MLP，6 个参数，占总参数量的 27%，由于是训练一个文本引导的图像扩散模型，不需要类别标签，那么所有的 MLP 本质上在学习相似的时序模式。故改用单个 MLP 生成基准参数 $S=f(t)$，为每个块引入可训练嵌入 $E(i)$，每个块最终的参数为 $S(i)=f(t)+E(i)$，同时为了保证与原来 3 个不同 MLP 的一致性，强制 $t=500$ 时，与原设计输出一致。
在第二阶段，文本-图像对齐时，之前部分文生图模型都是基于 LAION 数据集训练，但其噪声过大，图片对应的文本描述不准确。采用了 LLaVA 为图片生成更详细的描述，并采用包含丰富物体的 SAM 数据集，“ Describe this image and its style in a very detailed manner.”，认为质量比数据量更重要，采用 256×256 分辨率训练。
第三阶段，对高分辨率和高质量图像微调。采取和 SDXL 一样的渐进式训练策略：256×256->512×512->1024×1024

生成结果

PixArt-δ

PixArt-δ 论文
将 Latent Consistency Model (LCM) 集成到 PixArt-α，显著加快推理速度，生成 1024×1024 图像只需要 0.5s， 在 32GB V100 GPU 上仅用一天完成训练。使用 ControlNet 实现细粒度的文本控制。
对于 LCD 算法采取三模型：EMA、Teacher、Student，分别作为 ODE 求解器 $\Phi$，$f_{\theta }$ 和 $f_{{\theta }^{-}}$ 的去噪器。通过固定 CFG 系数，简化 LCM 的动态引导策略，减少训练复杂度。(4 步采样加速)

生成结果