本文經(jīng)AI新媒體量子位（公眾號(hào)ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)聯(lián)系出處。

擴(kuò)散模型的圖像生成統(tǒng)治地位，終于要被GAN奪回了？

就在大伙兒喜迎新年之際，英偉達(dá)一群科學(xué)家悄悄給StyleGAN系列做了個(gè)升級(jí)，變出個(gè)PLUS版的StyleGAN-T，一下子在網(wǎng)上火了。

無(wú)論是在星云爆炸中生成一只柯基：

還是基于虛幻引擎風(fēng)格渲染的森林：

都只需要接近0.1秒就能生成！

同等算力下，擴(kuò)散模型中的Stable Diffusion生成一張圖片需要3秒鐘，Imagen甚至需要接近10秒。

不少網(wǎng)友的第一反應(yīng)是：

GAN，一個(gè)我太久沒(méi)聽(tīng)到的名字了。

很快谷歌大腦研究科學(xué)家、DreamFusion第一作者Ben Poole趕來(lái)圍觀，并將StyleGAN-T與擴(kuò)散模型做了個(gè)對(duì)比：

在低質(zhì)量圖像（64×64）生成方面，StyleGAN-T要比擴(kuò)散模型做得更好。

但他同時(shí)也表示，在256×256圖像生成上，還是擴(kuò)散模型的天下。

所以，新版StyleGAN生成質(zhì)量究竟如何，它又究竟是在哪些領(lǐng)域重新具備競(jìng)爭(zhēng)力的？

StyleGAN-T長(zhǎng)啥樣？

相比擴(kuò)散模型和自回歸模型多次迭代生成樣本，GAN最大的優(yōu)勢(shì)是速度。

因此，StyleGAN-T這次也將重心放在了大規(guī)模文本圖像合成上，即如何在短時(shí)間內(nèi)由文本生成大量圖像。

StyleGAN-T基于StyleGAN-XL改進(jìn)而來(lái)。

StyleGAN-XL的參數(shù)量是StyleGAN3的3倍，基于ImageNet訓(xùn)練，能生成1024×1024高分辨率的圖像，并借鑒了StyleGAN2和StyleGAN3的部分架構(gòu)設(shè)計(jì)。

它的整體架構(gòu)如下：

具體到細(xì)節(jié)上，作者們對(duì)生成器、判別器和文本對(duì)齊權(quán)衡機(jī)制進(jìn)行了重新設(shè)計(jì)，用FID對(duì)樣本質(zhì)量進(jìn)行量化評(píng)估，并采用CLIP來(lái)對(duì)文本進(jìn)行對(duì)齊。

在生成器上，作者們放棄了StyleGAN3中能實(shí)現(xiàn)平移同變性（equivariance）的架構(gòu)，轉(zhuǎn)而采用了StyleGAN2的部分設(shè)計(jì)，包括輸入空間噪聲以及跳層連接等，以提升細(xì)節(jié)隨機(jī)變化的多樣性。

在判別器上，作者們也重新進(jìn)行了設(shè)計(jì)，采用自監(jiān)督學(xué)習(xí)對(duì)ViT-S進(jìn)行訓(xùn)練。

隨后，作者采用了一種特殊的截?cái)?span style="color: #8f8f8f;">（truncation）方法來(lái)控制圖像生成的效果，同時(shí)權(quán)衡生成內(nèi)容的多樣性。

只需要控制參數(shù)ψ，就能在確保CLIP分?jǐn)?shù)（用于評(píng)估圖像生成效果）變動(dòng)不大的情況下，改善生成圖像的風(fēng)格多樣性。

隨后，作者們用64個(gè)英偉達(dá)A100訓(xùn)練了4周，最終得到了這版StyleGAN-T。

那么它的生成效果如何呢？

超快生成低分辨率圖像

作者們對(duì)當(dāng)前最好的幾種GAN、擴(kuò)散模型和自回歸模型進(jìn)行了評(píng)估。

在微軟的MS COCO數(shù)據(jù)集上，StyleGAN-T實(shí)現(xiàn)了64×64分辨率下最高的FID。

（其中，F(xiàn)ID是計(jì)算真實(shí)圖像和生成圖像特征向量距離的評(píng)估用值，數(shù)值越低，表示生成的效果越接近真實(shí)圖像）

但在更高的256×256分辨率生成上，StyleGAN-T還是沒(méi)有比過(guò)擴(kuò)散模型，只是在生成效果上比同樣用GAN的LAFITE要好上不少：

如果進(jìn)一步將生成時(shí)間和FID分別作為縱軸和橫軸，放到同一張圖上來(lái)對(duì)比，還能更直觀地對(duì)比生成質(zhì)量和速度。

可見(jiàn)StyleGAN-T能保持在10FPS的速度下生成256×256分辨率圖像，同時(shí)FID值逼近LDM和GLIDE等擴(kuò)散模型：

而在文本生成圖像功能上，作者們也從文本特征、風(fēng)格控制等方面對(duì)模型進(jìn)行了測(cè)試。

在增加或改變特定的形容詞后，生成的圖像確實(shí)符合描述：

即便是快速生成的圖像，也能迅速控制風(fēng)格，如“梵高風(fēng)格的畫(huà)”or“動(dòng)畫(huà)”等：

當(dāng)然，偶爾也有失敗案例，最典型的就是生成帶字母要求的圖像時(shí)，顯示不出正常字母來(lái)：

作者們正在努力整理代碼，表示不久之后就會(huì)開(kāi)源。

作者介紹

作者們均來(lái)自圖賓根大學(xué)和英偉達(dá)。

一作Axel Sauer，圖賓根大學(xué)博士生，此前在卡爾斯魯厄理工學(xué)院（KIT）獲得本碩學(xué)位。目前感興趣的研究方向是深度生成模型、神經(jīng)網(wǎng)絡(luò)架構(gòu)和實(shí)證研究。

二作Tero Karras，英偉達(dá)杰出研究科學(xué)家，對(duì)英偉達(dá)RTX技術(shù)有重要貢獻(xiàn)，也是StyleGAN系列的主要作者，主要研究方向是計(jì)算機(jī)圖形學(xué)和實(shí)時(shí)渲染。

不過(guò)在這波GAN掀起的“文藝復(fù)興”浪潮下，也出現(xiàn)了“StyleGAN時(shí)代迎來(lái)終結(jié)”的聲音。

有網(wǎng)友感慨：

在這之前，最新StyleGAN生成的圖像總能讓我們大吃一驚，然而現(xiàn)在它給我們的印象只剩下“快”了。

你認(rèn)為GAN還能撼動(dòng)擴(kuò)散模型的統(tǒng)治地位嗎？

論文地址：https://arxiv.org/abs/2301.09515

項(xiàng)目地址：https://github.com/autonomousvision/stylegan-t