谷歌新作UFOGen：通过扩散GAN实现大规模文本到图像生成

最近一年来，以 Stable Diffusion 为代表的一系列文生图扩散模型彻底改变了视觉创作领域。数不清的用户通过扩散模型产生的图片提升生产力。但是，扩散模型的生成速度是一个老生常谈的问题。因为降噪模型依赖于多步降噪来逐渐将初始的高斯噪音变为图片，因此需要对网络多次计算，导致生成速度很慢。这导致大规模的文生图扩散模型对一些注重实时性，互动性的应用非常不友好。随着一系列技术的提出，从扩散模型中采样所需的步数已经从最初的几百步，到几十步，甚至只需要 4-8 步。

最近，来自谷歌的研究团队提出了UFOGen 模型，一种能极速采样的扩散模型变种。通过论文提出的方法对 Stable Diffusion 进行微调，UFOGen 只需要一步就能生成高质量的图片。与此同时，Stable Diffusion 的下游应用，比如图生图，ControlNet 等能力也能得到保留。

论文：https://arxiv.org/abs/2311.09257

从下图可以看到，UFOGen 只需一步即可生成高质量，多样的图片。

提升扩散模型的生成速度并不是一个新的研究方向。之前关于这方面的研究主要集中在两个方向。一个方向是设计更高效的数值计算方法，以求能达到利用更少的离散步数求解扩散模型的采样 ODE 的目的。比如清华的朱军团队提出的 DPM 系列数值求解器，被验证在 Stable Diffusion 上非常有效，能显著地把求解步数从 DDIM 默认的 50 步降到 20 步以内。另一个方向是利用知识蒸馏的方法，将模型的基于 ODE 的采样路径压缩到更小的步数。这个方向的例子是 CVPR2023 最佳论文候选之一的 Guided distillation，以及最近大火的 Latent Consistency Model （LCM）。尤其是 LCM，通过对一致性目标进行蒸馏，能够将采样步数降到只需 4 步，由此催生了不少实时生成的应用。

然而，谷歌的研究团队在 UFOGen 模型中并没有跟随以上大方向，而是另辟蹊径，利用了一年多前提出的扩散模型和 GAN 的混合模型思路。他们认为前面提到的基于 ODE 的采样和蒸馏有其根本的局限性，很难将采样步数压缩到极限。因此想实现一步生成的目标，需要打开新的思路。

扩散模型和 GAN 的混合模型最早是英伟达的研究团队在 ICLR 2022 上提出的 DDGAN（《Tackling the Generative Learning Trilemma with Denoising Diffusion GANs》）。其灵感来自于普通扩散模型对降噪分布进行高斯假设的根本缺陷。简单来说，扩散模型假设其降噪分布（给定一个加了噪音的样本，对噪音含量更少的样本的条件分布）是一个简单的高斯分布。然而，随机微分方程理论证明这样的假设只在降噪步长趋于 0 的时候成立，因此扩散模型需要大量重复的降噪步数来保证小的降噪步长，导致很慢的生成速度。

DDGAN 提出抛弃降噪分布的高斯假设，而是用一个带条件的 GAN 来模拟这个降噪分布。因为 GAN 具有极强的表示能力，能模拟复杂的分布，所以可以取较大的降噪步长来达到减少步数的目的。然而，DDGAN 将扩散模型稳定的重构训练目标变成了 GAN 的训练目标，很容易造成训练不稳定，从而难以延伸到更复杂的任务。在 NeurIPS 2023 上，和创造 UGOGen 的同样的谷歌研究团队提出了 SIDDM（论文标题 Semi-Implicit Denoising Diffusion Models），将重构目标函数重新引入了 DDGAN 的训练目标，使训练的稳定性和生成质量都相比于 DDGAN 大幅提高。

SIDDM 作为 UFOGen 的前身，只需要 4 步就能在 CIFAR-10, ImageNet 等研究数据集上生成高质量的图片。但是SIDDM 有两个问题需要解决：首先，它不能做到理想状况的一步生成；其次，将其扩展到更受关注的文生图领域并不简单。为此，谷歌的研究团队提出了 UFOGen，解决这两个问题。

具体来说，对于问题一，通过简单的数学分析，该团队发现通过改变生成器的参数化方式，以及改变重构损失函数计算的计算方式，理论上模型可以实现一步生成。对于问题二，该团队提出利用已有的 Stable Diffusion 模型进行初始化来让 UFOGen 模型更快更好的扩展到文生图任务上。值得注意的是，SIDDM 就已经提出让生成器和判别器都采用 UNet 架构，因此基于该设计，UFOGen 的生成器和判别器都是由 Stable Diffusion 模型初始化的。这样做可以最大限度地利用 Stable Diffusion 的内部信息，尤其是关于图片和文字的关系的信息。这样的信息很难通过对抗学习来获得。训练算法和图示见下。

值得注意的是，在这之前也有一些利用 GAN 做文生图的工作，比如英伟达的 StyleGAN-T，Adobe 的 GigaGAN，都是将 StyleGAN 的基本架构扩展到更大的规模，从而也能一步文生图。UFOGen 的作者指出，比起之前基于 GAN 的工作，除了生成质量外，UFOGen 还有几点优势：

1. 纯粹的 GAN 训练非常不稳定，尤其是对文生图任务来说，判别器不但需要判别图片的纹理，还需要理解图片和文字的匹配程度，而这是十分困难的任务，尤其在训练早期。因此，之前的 GAN 模型比如 GigaGAN，引入大量的辅助 loss 来帮助训练，这使得训练和调参变得异常困难。UFOGen 因为有重构损失，GAN 在这里起到辅助作用，因此训练非常稳定。

2. 直接从头开始训练 GAN 除了不稳定还异常昂贵，尤其是在文生图这样需要大量数据和训练步数的任务下。因为需要同时更新两组参数，GAN 的训练比扩散模型来说消耗的时间和内存都更大。UFOGen 的创新设计能从 Stable Diffusion 中初始化参数，大大节约了训练时间。通常收敛只需要几万步训练。

3. 文生图扩散模型的一大魅力在于能适用于其他任务，包括不需要微调的应用比如图生图，已经需要微调的应用比如可控生成。之前的 GAN 模型很难扩展到这些下游任务，因为微调 GAN 一直是个难题。相反，UFOGen 拥有扩散模型的框架，因此能更简单地应用到这些任务上。下图展示了 UFOGen 的图生图以及可控生成的例子，注意这些生成也只需要一步采样。

实验表明，UFOGen 只需一步采样便可以生成高质量的，符合文字描述的图片。在和近期提出的针对扩散模型的高速采样方法的对比中（包括 Instaflow，以及大火的 LCM），UFOGen 展示出了很强的竞争力。甚至和 50 步采样的 Stable Diffusion 相比，UFOGen 生成的样本在观感上也没有表现得更弱。下面是一些对比结果：

总结

通过提升现有的扩散模型和 GAN 的混合模型，谷歌团队提出了强大的能实现一步文生图的 UFOGen 模型。该模型可以由 Stable Diffusion 微调而来，在保证一步文生图能力的同时，还能适用于不同的下游应用。作为实现超快速文本到图像合成的早期工作之一，UFOGen 为高效率生成模型领域开启了一条新道路。